開始使用免費開始

用散佈圖視覺化插補後的數值

現在，讓我們重現第三章中用過、採用 geom_miss_point() 的其中一個圖。

為了達成這件事，我們需要把資料插補到低於原始資料範圍的位置。這是一種為了探索資料而進行的特殊插補。這種插補能示範我們需要練習的重點：如何追蹤遺漏值。要將資料插補到低於資料範圍的位置，我們會使用 impute_below_all() 函式。

本練習屬於課程

在 R 中處理遺漏值

檢視課程

練習說明

使用 oceanbuoys 資料：

  • 使用 bind_shadow()、impute_below_all() 和 add_label_shadow() 來進行插補並追蹤遺漏值。
  • 在 x 與 y 軸上分別視覺化風速與氣溫的遺漏情形，並用 air_temp_c_NA 為遺漏的氣溫數值著色。
  • 在 x 與 y 軸上分別視覺化溼度與氣溫，並使用變數 any_missing 為任何含有遺漏的案例著色。

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。

# 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()
編輯並執行程式碼