Зробити висновок про MNAR

У попередній вправі ви визначали типи пропущених значень за зведенням пропусків. У цій вправі ви продовжите цю роботу й однозначно визначите дані, які є Missing Not at Random (MNAR) — пропуски не є випадковими.

Нижче наведено зведення пропусків для датафрейма diabetes.

Ваша мета — відсортувати датафрейм diabetes за Serum_Insulin і зʼясувати кореляцію між Skin_Fold та Serum_Insulin.

Зверніть увагу, що ми використали фірмову функцію display() замість plt.show(), щоб вам було зручніше переглядати результат.

Ця вправа є частиною курсу

Робота з пропущеними даними в Python

Переглянути курс

Інструкції до вправи

Імпортуйте пакет missingno як msno.
Відсортуйте значення стовпця Serum_Insulin у diabetes.
Візуалізуйте зведення пропусків для Serum_Insulin за допомогою msno.matrix().

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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")

Редагувати та запускати код