评估插补：尺度
当我们用箱线图比较时，均值插补看起来也许不算太差，但了解数据的变异性仍然很重要。因此，您需要探索与原始数据相比，插补值的尺度与分布如何变化。
评估插补尺度是否合适的一种方法是使用散点图，查看这些数值在关系上是否合理。
本练习是课程的一部分
在 R 中处理缺失数据
练习说明
使用已包含插补值的数据 ocean_imp_mean：
- 使用散点图探索气温（x 轴）与湿度（y 轴）的插补情况，记得设置
color = any_missing。 - 在此可视化基础上，按年份进行分面。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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(~___)