Bài học cuối

Create Your Free Account

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

Bài tập này là một phần của khóa học

Xử lý dữ liệu thiếu trong R

SkillTag.level.beginnerSkillTag.label

4.8+

Chương 1 giới thiệu về dữ liệu thiếu: giá trị thiếu là gì, cách chúng hoạt động trong R, cách phát hiện và đếm chúng. Tiếp theo, chúng ta giới thiệu các tóm tắt về dữ liệu thiếu và cách tóm tắt mức độ thiếu theo từng bản ghi, từng biến, cũng như cách khám phá theo các nhóm trong dữ liệu. Cuối cùng, chúng ta thảo luận về trực quan hóa dữ liệu thiếu: cách tạo biểu đồ tổng quan cho toàn bộ tập dữ liệu và theo biến, bản ghi, cùng các tóm tắt khác, và cách khám phá chúng theo từng nhóm.

Exercise 1: Giới thiệu về dữ liệu khuyết Exercise 2: Sử dụng và tìm giá trị thiếu Exercise 3: Có bao nhiêu giá trị bị thiếu?Exercise 4: Làm việc với giá trị thiếu Exercise 5: Vì sao cần quan tâm đến giá trị thiếu?Exercise 6: Tóm tắt dữ liệu bị thiếu Exercise 7: Lập bảng tình trạng thiếu dữ liệu Exercise 8: Các tổng quan khác về dữ liệu thiếu Exercise 9: Chúng ta trực quan hóa giá trị thiếu như thế nào?Exercise 10: Hình ảnh hóa đầu tiên về dữ liệu thiếu Exercise 11: Trực quan hóa các trường hợp và biến bị thiếu Exercise 12: Trực quan hóa các mẫu thiếu dữ liệu

Trong chương hai, bạn sẽ học cách phát hiện các giá trị thiếu ẩn như “missing” hoặc “N/A” và thay chúng bằng `NA`. Bạn sẽ học cách xử lý hiệu quả các giá trị thiếu ngầm định — những giá trị được ngụ ý là thiếu nhưng không được liệt kê rõ ràng. Chúng tôi cũng đề cập cách khám phá sự phụ thuộc của dữ liệu thiếu, thảo luận về Missing Completely at Random (MCAR), Missing At Random (MAR), Missing Not At Random (MNAR), và ý nghĩa của chúng đối với phân tích dữ liệu của bạn.

Exercise 1: Tìm và thay thế giá trị bị thiếu Exercise 2: Sử dụng miss_scan_count Exercise 3: Sử dụng replace_with_na Exercise 4: Sử dụng các biến thể phạm vi của replace_with_na Exercise 5: Điền giá trị xuống dưới cho các ô thiếu Exercise 6: Sửa thiếu ngầm định bằng complete()Exercise 7: Sửa giá trị thiếu tường minh bằng fill()Exercise 8: Kết hợp complete() và fill()Exercise 9: Sự phụ thuộc của dữ liệu khuyết Exercise 10: Sự khác nhau giữa MCAR và MAR Exercise 11: Khám phá sự phụ thuộc của dữ liệu thiếu Exercise 12: Khám phá sâu hơn sự phụ thuộc của thiếu dữ liệu

Trong chương này, bạn sẽ tìm hiểu các quy trình làm việc với dữ liệu thiếu. Chúng tôi giới thiệu các cấu trúc dữ liệu đặc biệt: ma trận bóng (shadow matrix) và dữ liệu nabular, và minh họa cách dùng chúng trong quy trình khám phá dữ liệu thiếu để bạn có thể liên kết các tóm tắt về mức độ thiếu trở lại với giá trị trong dữ liệu. Bạn sẽ học cách dùng ggplot để khám phá và trực quan hóa cách giá trị thay đổi khi các biến khác bị thiếu. Cuối cùng, bạn sẽ học cách trực quan hóa mức độ thiếu trên hai biến, và cách cũng như lý do để trực quan hóa dữ liệu thiếu trong biểu đồ phân tán.

Exercise 1: Công cụ khám phá sự phụ thuộc của dữ liệu thiếu Exercise 2: Tạo dữ liệu ma trận bóng (shadow matrix)Exercise 3: Tóm tắt theo nhóm về mức độ thiếu dữ liệu Exercise 4: Khám phá sâu hơn các tổ hợp thiếu dữ liệu Exercise 5: Trực quan hóa dữ liệu thiếu theo một biến Exercise 6: Dữ liệu nabular và phân tích theo tình trạng khuyết dữ liệu Exercise 7: Dữ liệu nabular và tóm tắt theo trạng thái thiếu Exercise 8: Khám phá biến thiên theo trạng thái thiếu: biểu đồ hộp Exercise 9: Trực quan hóa dữ liệu thiếu trên hai biến Exercise 10: Khám phá dữ liệu thiếu với biểu đồ phân tán Exercise 11: Dùng facet để khám phá dữ liệu thiếu Exercise 12: Phân ô (faceting) để khám phá dữ liệu thiếu (nhiều biểu đồ)

Trong chương này, bạn sẽ học về việc điền các giá trị còn thiếu trong dữ liệu, gọi là nội suy (imputation). Bạn sẽ học cách nội suy và theo dõi giá trị thiếu, cùng các đặc điểm tốt và hạn chế của nội suy để có thể khám phá, trực quan hóa và đánh giá dữ liệu đã nội suy so với giá trị gốc. Bạn sẽ học cách sử dụng, đánh giá và so sánh các mô hình nội suy khác nhau, và khám phá cách các mô hình nội suy khác nhau ảnh hưởng đến các kết luận bạn rút ra từ mô hình.

Exercise 1: Điền vào chỗ trống Exercise 2: Bù dữ liệu dưới khoảng giá trị với dữ liệu nabular Exercise 3: Trực quan hóa giá trị đã bù trong biểu đồ scatter Exercise 4: Tạo biểu đồ histogram cho dữ liệu đã nội suy Exercise 5: Điều gì tạo nên một phép thế giá trị tốt Exercise 6: Đánh giá các phép điền khuyết kém chất lượng Exercise 7: Đánh giá phép bù: Thang đo Exercise 8: Đánh giá nội suy: Trên nhiều biến Exercise 9: Thực hiện phép bù (imputation)Exercise 10: Sử dụng simputation để nội suy dữ liệu Exercise 11: Đánh giá và so sánh nội suy Exercise 12: Đánh giá phép bù dữ liệu (nhiều mô hình & biến)Exercise 13: Đánh giá phép bù khuyết và mô hình Exercise 14: Kết hợp và so sánh nhiều mô hình nội suy Exercise 15: Đánh giá các tham số khác nhau trong mô hình Exercise 16: Bài học cuối

Bài tập hiện tại