ПочатиПочніть безкоштовно

Візуалізація патернів пропусків

Попрактикуймося у кількох підходах до візуалізації патернів пропусків, використовуючи:

  • gg_miss_upset() — для огляду загального патерну пропусків.
  • gg_miss_fct() — для набору даних із цікавою категоріальною змінною: шлюбний стан.
  • та gg_miss_span() — щоб дослідити пропуски у часовому ряді.

Що ви помічаєте щодо пропусків і фасетування в даних?

Ця вправа є частиною курсу

Робота з пропущеними даними в R

Переглянути курс

Інструкції до вправи

  • Дослідіть патерн пропусків у наборі airquality за допомогою gg_miss_upset().
  • Перевірте, як змінюється наявність пропусків у наборі riskfactors залежно від змінної marital, використовуючи gg_miss_fct().
  • Дослідіть, як змінюється кількість пропусків у наборі pedestrian для змінної hourly_counts на інтервалі 3000 (також спробуйте інші інтервали від 2000 до 5000).
  • Оцініть вплив month на hourly_counts, додавши його до аргументу facet, зі span 1000.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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 = ___)
Редагувати та запускати код