Kom igångKom igång gratis

Visualisera mönster i saknade värden

Nu ska vi öva på några olika sätt att visualisera mönster i saknade värden med hjälp av:

  • gg_miss_upset() för att få en övergripande bild av sakningsmönstret.
  • gg_miss_fct() för en datamängd med en faktor av intresse: civilstånd.
  • och gg_miss_span() för att utforska saknade värden i en tidsseriedatamängd.

Vad lägger du märke till när det gäller saknade värden och facettering i datan?

Den här övningen är en del av kursen

Hantera saknade värden i R

Visa kurs

Övningsinstruktioner

  • Utforska sakningsmönstret i datamängden airquality med gg_miss_upset().
  • Utforska hur saknade värden förändras i datamängden riskfactors över variabeln marital med hjälp av gg_miss_fct().
  • Utforska hur saknade värden förändras i datamängden pedestrian för variabeln hourly_counts över ett span på 3 000 (du kan också prova olika span mellan 2 000 och 5 000).
  • Utforska hur month påverkar hourly_counts genom att inkludera det i argumentet facet, med ett span på 1 000.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Using the airquality dataset, explore the missingness pattern using gg_miss_upset()
gg_miss_upset(airquality)

# With the riskfactors dataset, explore how the missingness changes across the marital variable using gg_miss_fct()
gg_miss_fct(x = riskfactors, fct = marital)

# Using the pedestrian dataset, explore how the missingness of hourly_counts changes over a span of 3000 
gg_miss_span(pedestrian, var = ___, span_every = ___)

# Using the pedestrian dataset, explore the impact of month by faceting by month
# and explore how missingness changes for a span of 1000
____(___, var = ___ , span_every = ___, facet = ___)
Redigera och kör kod