Kom igångKom igång gratis

Skapa histogram över imputerade data

Nu när vi kan återskapa den första visualiseringen med geom_miss_point(), ska vi utforska hur vi kan använda detta för andra explorativa uppgifter.

Ett användbart tillvägagångssätt är att utvärdera antalet saknade värden i en given variabel med hjälp av ett histogram. Det kan vi göra med hjälp av datasetet ocean_imp_track som vi skapade i föregående övning och som är inläst i den här sessionen.

Den här övningen är en del av kursen

Hantera saknade värden i R

Visa kurs

Övningsinstruktioner

Använd de imputerade och spårade data, ocean_imp_track:

  • Utforska värdena i air_temp_c och visualisera andelen saknade värden med air_temp_c_NA.
  • Utforska de saknade värdena i humidity med hjälp av humidity_NA.
  • Utforska de saknade värdena i air_temp_c per år med facet_wrap(~year).
  • Utforska de saknade värdena i humidity per år med facet_wrap(~year).

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Explore the values of air_temp_c, visualizing the amount of missings with `air_temp_c_NA`.
p <- ggplot(___, aes(x = ___, fill = ___)) +  ___()

# Expore the missings in humidity using humidity_NA
p2 <- ggplot(___,  aes(x = ___, fill = ___)) + ___()

# Explore the missings in air_temp_c according to year, using `facet_wrap(~year)`.
p + facet_wrap(~___)

# Explore the missings in humidity according to year, using `facet_wrap(~year)`.
p2 + facet_wrap(~___)
Redigera och kör kod