Ви видалятимете?
Перш ніж повністю видаляти пропущені значення, варто зважити чинники для видалення. Найпростіший – це розмір пропусків у даних. Складніші причини пропусків можуть потребувати предметної експертизи. У цій вправі ви визначите причину пропущеності, а потім виконаєте відповідне видалення.
Спочатку ви використаєте msno.matrix() і msno.heatmap() для візуалізації пропущеності та кореляції між змінними з пропущеними даними. Далі ви визначите наявний у пропущеності шаблон. Нарешті, ви виконаєте видалення залежно від типу пропущеності.
Датафрейм diabetes уже завантажено для вас.
Зверніть увагу, що ми використали власну функцію display() замість plt.show(), щоб вам було зручніше переглядати результат.
Ця вправа є частиною курсу
Робота з пропущеними даними в Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Visualize the missingness in the data
___.___(___)
# Display nullity matrix
display("/usr/local/share/datasets/matrix_diabetes.png")