視覺化遺漏模式
來練習用幾種不同方式來視覺化遺漏值的模式：
- 使用
gg_miss_upset()檢視整體的遺漏情形。 - 使用
gg_miss_fct()針對含有感興趣類別的資料集（婚姻狀態）。 - 使用
gg_miss_span()探索時間序列資料中的遺漏情形。
觀察資料中的遺漏與分面呈現，有哪些值得注意的現象？
本練習屬於課程
在 R 中處理遺漏值
練習說明
- 使用
gg_miss_upset()探索airquality資料集的遺漏模式。 - 使用
gg_miss_fct()探索riskfactors資料集中，遺漏情形如何隨marital變數改變。 - 在
pedestrian資料集中，針對hourly_counts變數，以 3000 的區間長度探索遺漏情形（你也可以嘗試 2000–5000 的不同區間）。 - 將
month納入facet引數，並以 1000 的區間長度，探索month對hourly_counts的影響。
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。
# 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 = ___)