Kom igångKom igång gratis

Imputera data under intervallet med nabular-data

Vi vill hålla koll på de värden vi imputerar. Utan den spårningen är det svårt att utvärdera hur bra de imputerade värdena är.

I den här övningen ska du öva på imputering och återskapa visualiseringar från föregående övningsset – det gör du genom att imputera värden under datats intervall.

Detta är ett användbart sätt att utforska saknade värden vidare och ger dessutom en grund för att imputera dem.

Först imputerar du data under intervallet med impute_below_all() och visualiserar sedan resultatet. Du märker att du visserligen kan se var de saknade värdena finns, men att du behöver ett sätt att spåra dem. Programmeringsmönstret för att spåra saknade data kan hjälpa dig med det.

Den här övningen är en del av kursen

Hantera saknade värden i R

Visa kurs

Övningsinstruktioner

Använd datamängden oceanbuoys:

  • Imputera under intervallet med impute_below_all().
  • Visualisera de nya saknade värdena med wind_ew på x-axeln och air_temp_c på y-axeln.
  • Imputera och spåra data med bind_shadow(), impute_below_all() och add_label_shadow().
  • Visa grafen och granska de imputerade värdena.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Impute the oceanbuoys data below the range using `impute_below`.
ocean_imp <- impute_below_all(___)

# Visualize the new missing values
ggplot(___, 
       aes(x = ___, y = ___)) +  
  geom_point()

# Impute and track data with `bind_shadow`, `impute_below_all`, and `add_label_shadow`
ocean_imp_track <- bind_shadow(___) %>% 
  ___() %>% 
  ___()

# Look at the imputed values
___
Redigera och kör kod