根據先前對 oceanbuoys 資料集的觀察，以下哪一個敘述最能恰當描述遺漏的型態？
oceanbuoys
試著使用 gg_miss_var() 與 gg_miss_case()，並以 year 做分面（facet）來取得更多資訊。例如：
gg_miss_var()
gg_miss_case()
year
library(naniar) gg_miss_var(oceanbuoys, facet = year)
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
第 1 章會帶你認識遺漏值，說明什麼是遺漏值、它們在 R 中的行為、如何偵測，以及如何計數。接著我們介紹遺漏值摘要，包含如何在個案、變數層級彙整遺漏情形，並探索資料中不同群組的差異。最後，我們討論遺漏值的視覺化：如何為整個資料集、各變數與個案製作總覽圖，及其他彙整圖，並且比較不同群組之間的差異。
在第 2 章中，你會學到如何找出像是「missing」或「N/A」這類隱藏的遺漏記號，並將它們替換為 `NA`。你也會學到如何有效處理「隱含遺漏值」——也就是沒有明確列出、但可推知為遺漏的值。此外，我們也會探討遺漏資料的相依性，說明完全隨機遺漏（MCAR）、隨機遺漏（MAR）、非隨機遺漏（MNAR），以及這些情況對你的資料分析意味著什麼。
當前練習
本章將介紹處理遺漏資料的工作流程。我們會引入特殊的資料結構：shadow matrix 與 nabular data，並示範如何在探索遺漏資料的流程中使用它們，好把遺漏情形的摘要連回到原始資料的數值。你會學到如何使用 ggplot 探索與視覺化：當其他變數出現遺漏時，數值如何變動。最後，你會學到如何視覺化兩個變數間的遺漏情況，以及為何與如何在散佈圖中呈現遺漏。
本章將介紹如何補齊資料中的遺漏值，也就是所謂的插補。你會學到如何進行插補與追蹤遺漏值，以及插補的優缺點，讓你可以將插補後的資料與原始數值進行探索、視覺化與評估。你會學到如何使用、評估與比較不同的插補模型，並探索不同插補模型如何影響你從模型中得到的推論。
