推斷 MNAR
在上一個練習中，你根據遺漏概況來辨識遺漏值的型態。這個練習中，你會延續該流程，進一步明確辨識「非隨機遺漏」（Missing Not at Random，MNAR）的資料。
diabetes DataFrame 的遺漏概況如下所示。
你的目標是依 Serum_Insulin 對 diabetes DataFrame 進行排序，並找出 Skin_Fold 與 Serum_Insulin 之間的關聯。
注意：我們使用的是專用的 display() 函式，而不是 plt.show()，以方便你查看輸出結果。
本練習屬於課程
在 Python 中處理遺漏值
練習說明
- 導入
missingno套件並命名為msno。 - 對
diabetes中的Serum_Insulin欄位進行排序。 - 使用
msno.matrix()視覺化Serum_Insulin的遺漏概況。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Import missingno as msno
___
# Sort diabetes dataframe on 'Serum Insulin'
sorted_values = ___.___(___)
# Visualize the missingness summary of sorted
___.___(___)
# Display nullity matrix
display("/usr/local/share/datasets/matrix_sorted.png")