เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

วิเคราะห์ MNAR

ในแบบฝึกหัดที่แล้ว คุณได้ฝึกระบุประเภทของค่าที่หายไปจากภาพสรุป missingness ในแบบฝึกหัดนี้ จะมาต่อด้วยการระบุข้อมูลที่เป็น Missing Not at Random (MNAR) อย่างชัดเจน

ภาพสรุป missingness ของ DataFrame diabetes มีดังนี้

เป้าหมายคือการเรียงลำดับ DataFrame diabetes ตาม Serum_Insulin และวิเคราะห์ความสัมพันธ์ระหว่าง Skin_Fold กับ Serum_Insulin

โปรดทราบว่าเราใช้ฟังก์ชัน display() แบบ proprietary แทน plt.show() เพื่อให้ดูผลลัพธ์ได้สะดวกยิ่งขึ้น

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การจัดการข้อมูลที่หายไปใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • นำเข้าแพ็กเกจ missingno โดยตั้งชื่อย่อว่า msno
  • เรียงลำดับค่าในคอลัมน์ Serum_Insulin ของ diabetes
  • แสดงภาพสรุป missingness ของ Serum_Insulin ด้วย msno.matrix()

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Import missingno as msno
___

# Sort diabetes dataframe on 'Serum Insulin'
sorted_values = ___.___(___)

# Visualize the missingness summary of sorted
___.___(___)

# Display nullity matrix
display("/usr/local/share/datasets/matrix_sorted.png")
แก้ไขและรันโค้ด