Trực quan hóa giá trị đã bù trong biểu đồ scatter
Bây giờ, hãy dựng lại một trong các biểu đồ trước đó bạn đã thấy ở chương ba, sử dụng geom_miss_point().
Để làm điều này, chúng ta cần bù dữ liệu xuống thấp hơn phạm vi giá trị hiện có. Đây là một kiểu bù đặc biệt để phục vụ việc khám phá dữ liệu. Cách bù này sẽ minh họa điều chúng ta cần luyện: cách theo dõi giá trị thiếu. Để bù dữ liệu xuống dưới phạm vi dữ liệu, ta dùng hàm impute_below_all().
Bài tập này là một phần của khóa học
Xử lý dữ liệu thiếu trong R
Hướng dẫn bài tập
Sử dụng dữ liệu oceanbuoys:
- Bù và theo dõi các giá trị thiếu bằng
bind_shadow()vàimpute_below_all(), cùng vớiadd_label_shadow(). - Trực quan hóa tình trạng thiếu của gió và nhiệt độ không khí lần lượt trên trục x và y, tô màu các giá trị thiếu của nhiệt độ không khí bằng
air_temp_c_NA. - Trực quan hóa độ ẩm và nhiệt độ không khí lần lượt trên trục x và y, tô màu mọi trường hợp có thiếu dữ liệu bằng biến
any_missing.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Impute and track the missing values
ocean_imp_track <- bind_shadow(___) %>%
impute_below_all() %>%
add_label_shadow()
# Visualize the missingness in wind and air temperature,
# coloring missing air temp values with air_temp_c_NA
ggplot(___,
aes(x = ___, y = ___, color = ___)) +
geom_point()
# Visualize humidity and air temp, coloring any missing cases using the variable any_missing
ggplot(___,
aes(x = ___, y = ___, color = ___)) +
geom_point()