Bắt đầu ngayBắt đầu miễn phí

Trực quan hóa các mẫu thiếu dữ liệu

Hãy luyện tập vài cách khác nhau để trực quan hóa các mẫu thiếu dữ liệu bằng cách dùng:

  • gg_miss_upset() để xem bức tranh tổng thể về mẫu thiếu dữ liệu.
  • gg_miss_fct() cho bộ dữ liệu có một biến phân loại bạn quan tâm: hôn nhân.
  • và gg_miss_span() để khám phá dữ liệu thiếu trong một chuỗi thời gian.

Bạn nhận thấy gì về dữ liệu thiếu và việc phân ô (faceting) trong dữ liệu?

Bài tập này là một phần của khóa học

Xử lý dữ liệu thiếu trong R

Xem khóa học

Hướng dẫn bài tập

  • Khám phá mẫu thiếu dữ liệu của bộ dữ liệu airquality với gg_miss_upset().
  • Khám phá cách thiếu dữ liệu thay đổi trong bộ dữ liệu riskfactors theo biến marital bằng gg_miss_fct()
  • Khám phá cách thiếu dữ liệu thay đổi trong bộ dữ liệu pedestrian theo biến hourly_counts với khoảng 3000 (bạn cũng có thể thử các khoảng từ 2000–5000).
  • Khám phá tác động của month lên hourly_counts bằng cách đưa nó vào tham số facet, với khoảng 1000.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# 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 = ___)
Chỉnh sửa và Chạy Mã