Úvod do chybějících dat
Práce s chybějícími daty v R
Nicholas Tierney
Statistician
Úvod
Nejlepší věc, kterou lze s chybějícími daty udělat, je nemít žádná
--Gertrude Mary Cox
Práce s reálnými daty = práce s chybějícími daty
Chybějící data mohou mít neočekávané dopady na analýzu
Špatná imputace vede k nepřesným odhadům a rozhodnutím.
Co se naučíte
- Co jsou chybějící hodnoty
- Jak chybějící data najít
- Jak chybějící data upravit a uspořádat
- Prozkoumat příčiny chybění dat
- Imputovat chybějící hodnoty
Předpokládané znalosti
- Základní až středně pokročilé znalosti R
- Zkušenosti s tvorbou grafů pomocí ggplot2
- Zkušenosti s používáním dplyr pro manipulaci s daty
- Zkušenosti s fitováním lineárních modelů v R
Co jsou chybějící hodnoty?
Chybějící hodnoty jsou hodnoty, které měly být zaznamenány, ale nebyly.
NA = Not Available.
Jak zjistit, zda mám chybějící hodnoty?
x <- c(1, NA, 3, NA, NA, 5)any_na(x)
TRUE
are_na(x)
FALSE TRUE FALSE TRUE TRUE FALSE
n_miss(x)
3
prop_miss(x)
0.5
Práce s chybějícími daty
NA + cokoliv = NA
heights
Sophie Dan Fred
165 177 NA
sum(heights)
NA
Záludnosti chybějících dat
NaN: Not a Number.
any_na(NaN)
TRUE
any_na(NULL)
FALSE
any_na(Inf)
FALSE
Záludnosti chybějících dat (2)
NA | TRUE
TRUE
NA | FALSE
NA
NA + NaN
NA
NaN + NA
NaN
Lass uns üben!
Práce s chybějícími daty v R
