Заповнення пропусків зверху вниз (fill down)

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Ця вправа є частиною курсу

Робота з пропущеними даними в R

SkillTag.level.beginnerSkillTag.label

4.8+

141 reviews

Почніть курс безкоштовно

У розділі 1 вас познайомлять із пропущеними даними: що таке пропущені значення, як вони поводяться в R, як їх виявляти та підраховувати. Далі ми розглянемо підсумкові огляди пропущених даних: як узагальнювати пропущеність за випадками, змінними та як досліджувати її в групах у межах даних. Нарешті, ми обговоримо візуалізації пропущених даних: як побудувати оглядові графіки для всього набору даних і для змінних, випадків та інших підсумків, а також як досліджувати це у різних групах.

Exercise 1: Вступ до пропущених даних Exercise 2: Використання та пошук пропущених значень Exercise 3: Скільки пропущених значень?Exercise 4: Робота з пропущеними значеннями Exercise 5: Чому варто зважати на пропущені значення?Exercise 6: Підсумовування пропусків Exercise 7: Табличне подання пропусків Exercise 8: Інші підсумки пропусків Exercise 9: Як візуалізувати пропущені значення?Exercise 10: Ваші перші візуалізації пропусків у даних Exercise 11: Візуалізація пропусків у випадках і змінних Exercise 12: Візуалізація патернів пропусків

У другому розділі ви навчитеся знаходити приховані пропуски на кшталт «missing» або «N/A» та замінювати їх на `NA`. Ви дізнаєтеся, як ефективно працювати з неявними пропущеними значеннями — тими, які випливають із даних, але не зазначені явно. Ми також розглянемо залежності пропущеності даних, обговоримо поняття Missing Completely at Random (MCAR), Missing At Random (MAR), Missing Not At Random (MNAR) та їхні наслідки для вашого аналізу даних.

Exercise 1: Пошук і заміна пропущених значень Exercise 2: Використання miss_scan_count Exercise 3: Використання replace_with_na Exercise 4: Використання scoped-варіантів replace_with_na Exercise 5: Заповнення пропусків зверху вниз (fill down)

Поточна вправа

Exercise 6: Виправте неявні пропуски за допомогою complete()Exercise 7: Виправлення явних пропусків за допомогою fill()Exercise 8: Спільне використання complete() і fill()Exercise 9: Залежність пропусків у даних Exercise 10: Відмінності між MCAR і MAR Exercise 11: Дослідження залежності пропущених значень Exercise 12: Детальніше дослідження залежності пропущених значень

У цьому розділі ви ознайомитеся з робочими процесами для роботи з пропущеними даними. Ми представимо спеціальні структури даних — матрицю-тінь (shadow matrix) та «набулярні» дані (nabular data) — і покажемо, як використовувати їх у процесах дослідження пропусків, щоб пов'язувати підсумки пропущеності зі значеннями у даних. Ви навчитеся використовувати ggplot, щоб досліджувати та візуалізувати, як змінюються значення, коли інші змінні стають пропущеними. Нарешті, ви дізнаєтеся, як візуалізувати пропущеність для двох змінних і як та навіщо показувати пропуски на точковій діаграмі.

Exercise 1: Інструменти для дослідження залежностей пропусків у даних Exercise 2: Створення даних тіньової матриці Exercise 3: Групові підсумки за відсутніми значеннями Exercise 4: Додаткове дослідження комбінацій пропусків Exercise 5: Візуалізація пропусків для однієї змінної Exercise 6: Дані nabular і групування за відсутніми значеннями Exercise 7: Nabular-дані та узагальнення за пропущеністю Exercise 8: Дослідження варіації за відсутністю: діаграми розмаху Exercise 9: Візуалізація пропусків у двох змінних Exercise 10: Дослідження пропущених даних за допомогою діаграм розсіювання Exercise 11: Використання фасетів для дослідження пропусків Exercise 12: Фасетування для дослідження пропусків (кілька графіків)

У цьому розділі ви дізнаєтеся про заповнення пропущених значень у ваших даних — це називається імпутацією. Ви навчитеся імпутувати та відстежувати пропущені значення, а також зрозумієте сильні та слабкі сторони імпутацій, щоб мати змогу досліджувати, візуалізувати й оцінювати імпутовані дані відносно початкових значень. Ви навчитеся використовувати, оцінювати та порівнювати різні моделі імпутації й дослідите, як різні підходи впливають на висновки, які можна робити з моделей.

Exercise 1: Заповнення пропусків Exercise 2: Імпутація значень нижче діапазону з даними nabular Exercise 3: Візуалізуйте імпутовані значення на точковій діаграмі Exercise 4: Створення гістограми імпутованих даних Exercise 5: Що робить імпутацію якісною Exercise 6: Оцінювання некоректних імпутацій Exercise 7: Оцінювання імпутацій: масштаб Exercise 8: Оцінювання імпутацій: Для багатьох змінних Exercise 9: Виконання імпутації Exercise 10: Імпутація даних із simputation Exercise 11: Оцінювання та порівняння імпутацій Exercise 12: Оцінювання імпутацій (багато моделей і змінних)Exercise 13: Оцінювання імпутацій і моделей Exercise 14: Обʼєднання та порівняння багатьох моделей імпутації Exercise 15: Оцінювання різних параметрів у моделі Exercise 16: Підсумковий урок