Introducere în datele lipsă
Gestionarea datelor lipsă în R
Nicholas Tierney
Statistician
Introducere
Cel mai bun lucru de făcut cu datele lipsă este să nu le ai
--Gertrude Mary Cox
A lucra cu date reale înseamnă a lucra cu date lipsă
Datele lipsă pot avea efecte neașteptate asupra analizei
O imputare defectuoasă poate duce la estimări și decizii eronate.
Ce veți învăța
- Ce sunt valorile lipsă
- Cum se identifică datele lipsă
- Cum se prelucrează și ordonează datele lipsă
- Explorarea cauzelor datelor lipsă
- Imputarea valorilor lipsă
Cunoștințe necesare
- Cunoștințe de bază până la intermediare în R
- Experiență în crearea de grafice cu ggplot2
- Experiență în utilizarea dplyr pentru manipularea datelor
- Experiență în ajustarea modelelor liniare în R
Ce sunt valorile lipsă?
Valorile lipsă sunt valori care ar fi trebuit înregistrate, dar nu au fost.
NA = Not Available.
Cum verific dacă am valori lipsă?
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
Lucrul cu date lipsă
NA + orice = NA
heights
Sophie Dan Fred
165 177 NA
sum(heights)
NA
Capcane ale datelor lipsă
NaN: Not a Number.
any_na(NaN)
TRUE
any_na(NULL)
FALSE
any_na(Inf)
FALSE
Capcane ale datelor lipsă (2)
NA | TRUE
TRUE
NA | FALSE
NA
NA + NaN
NA
NaN + NA
NaN
Să exersăm!
Gestionarea datelor lipsă în R
