評估插補：尺度
當我們用盒狀圖比較時，平均值插補看起來也許不算太糟，但掌握資料的變異性仍然很重要。因此，你需要探索插補後的數值，其尺度與分散是否相較於原始資料有所改變。
評估插補尺度是否合適的一種方法，是使用散佈圖來觀察數值是否合理。
本練習屬於課程
在 R 中處理遺漏值
練習說明
使用已包含插補值的資料 ocean_imp_mean：
- 以散佈圖探索空氣溫度（x 軸）與濕度（y 軸）的插補情形，並記得使用
color = any_missing。 - 在前述視覺化基礎上，加入依年份分面的呈現。
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。
# Explore imputations in air temperature and humidity,
# coloring by the variable, any_missing
ggplot(___,
aes(x = ___, y = ___, color = ___)) +
geom_point()
# Explore imputations in air temperature and humidity,
# coloring by the variable, any_missing, and faceting by year
ggplot(___,
aes(x = ___, y = ___, color = ___)) +
___() +
facet_wrap(~___)