เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Nabular data และการแบ่งกลุ่มตามค่า missing

สถิติสรุปมีประโยชน์มาก แต่อย่างที่บอกกันว่า ภาพหนึ่งภาพบอกได้มากกว่าคำพูดพันคำ

ในแบบฝึกหัดนี้ เราจะมาดูวิธีใช้ข้อมูลแบบ nabular เพื่อสำรวจความแปรผันของตัวแปรหนึ่ง โดยแบ่งตามสถานะ missing ของอีกตัวแปร

เราจะใช้ชุดข้อมูล oceanbuoys จากแพ็กเกจ naniar

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การจัดการข้อมูลที่หายไปใน R

ดูคอร์ส

คำแนะนำการฝึกหัด

  • เริ่มต้นด้วยการสำรวจโครงสร้างค่า missing ของ oceanbuoys โดยใช้ vis_miss()
  • สำรวจการกระจายตัวของความเร็วลมตะวันออก-ตะวันตก (wind_ew) ตามสถานะ missing ของอุณหภูมิอากาศ โดยใช้ geom_density()
  • สำรวจการกระจายตัวของอุณหภูมิทะเล ตามสถานะ missing ของความชื้น โดยใช้ geom_density()

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# First explore the missingness structure of `oceanbuoys` using `vis_miss()`
vis_miss(___)

# Explore the distribution of `wind_ew` for the missingness  
# of `air_temp_c_NA` using  `geom_density()`
bind_shadow(oceanbuoys) %>%
  ggplot(aes(x = ___, 
             color = air_temp_c_NA)) + 
  geom_density()

# Explore the distribution of sea temperature for the  
# missingness of humidity (humidity_NA) using  `geom_density()`
  ___(___) %>%
  ggplot(aes(x = ___,
             color = ___)) + 
  geom_density()
แก้ไขและรันโค้ด