Kom igångKom igång gratis

Utvärdera imputationer: Över många variabler

Hittills har vi gått igenom hur man undersöker enskilda variabler eller variabelpar och deras imputerade värden. Ibland vill man dock titta på imputationer för många variabler samtidigt. För att göra det behöver du bearbeta och omstrukturera dina data. Den här lektionen visar hur du utför den databearbetningen – vilket kan bli lite krångligt när man arbetar med nabular-data. Funktionen shadow_long() formar om data till rätt struktur för den här typen av visualiseringar.

Den här övningen är en del av kursen

Hantera saknade värden i R

Visa kurs

Övningsinstruktioner

  • Använd shadow_long() för att samla ihop de imputerade data ocean_imp_mean, med fokus på humidity och air_temp_c.
  • Skriv ut data och granska dem.
  • Utforska imputationerna i ett histogram med geom_histogram(), placera värdena på x-axeln, fyll efter saknade värden och dela upp med faceting efter variable.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Gather the imputed data 
ocean_imp_mean_gather <- shadow_long(___,
                                     ___,
                                     ___))
# Inspect the data
___

# Explore the imputations in a histogram 
ggplot(ocean_imp_mean_gather, 
       aes(x = value, fill = value_NA)) + 
  geom_histogram() + 
  facet_wrap(~variable)
Redigera och kör kod