创建缺失值比例过滤器
数据框 house_sales_df 包含目标变量 price，以及用于描述各个房屋并决定其售价的多种预测变量。多项特征存在不同数量的缺失值。若缺失值比例过高，该特征在预测房价时的信息量就会不足，可以考虑删除。在本练习中，您将为每一列计算缺失值比例。这将帮助您为各列思考一个合适的阈值。
已为您加载 tidyverse 包。
本练习是课程的一部分
R 中的降维
练习说明
- 将
house_sales_df的总行数存入n。 - 计算
house_sales_df各列的缺失值比例，并将结果存入missing_vals_df。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Calculate total rows
___ <- ___(___)
# Calculate missing value ratios
___ <- ___ %>%
___(___(___(), ~ ___(___(.)))) %>%
pivot_longer(everything(), names_to = "feature", values_to = "num_missing_values") %>%
mutate(missing_val_ratio = ___ / ___)
# Display missing value ratios
missing_vals_df