推断 MNAR
在上一个练习中，您根据缺失情况摘要来识别缺失值的类型。本练习将继续这一过程，明确识别"非随机缺失"（Missing Not at Random，MNAR）类型的数据。
下面给出了 diabetes DataFrame 的缺失情况摘要。
您的目标是按 Serum_Insulin 对 diabetes DataFrame 排序，并识别 Skin_Fold 与 Serum_Insulin 之间的相关性。
请注意，我们使用了专有的 display() 函数来替代 plt.show()，这样更便于您查看输出。
本练习是课程的一部分
在 Python 中处理缺失数据
练习说明
- 将
missingno包导入为msno。 - 在
diabetes中按Serum_Insulin列对值进行排序。 - 使用
msno.matrix()可视化Serum_Insulin的缺失情况摘要。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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")