Gérer les valeurs manquantes

Étude de cas : analyser des séries chronologiques urbaines en R

Lore Dirick

Manager of Data Science Curriculum at Flatiron School

Valeurs manquantes

citydata

              pop
1980-01-01 562994
1981-01-01 564179
1982-01-01 565361
1983-01-01 565491
1984-01-01 566723
1985-01-01     NA
1986-01-01     NA
1987-01-01     NA
1988-01-01 570867
1989-01-01 572222
1990-01-01 574823

série chronologique tracée avec des données manquantes

Remplir les NA avec la dernière observation

Dernière observation reportée (LOCF)

citydata_locf <- na.locf(citydata)

plot.xts(citydata)
plot.xts(citydata_locf)

série chronologique tracée avec les données manquantes remplies par la dernière observation reportée

Remplir les NA avec la prochaine observation

Prochaine observation reportée en arrière (NOCB)

citydata_nocb <- na.locf(citydata, fromLast = TRUE)

plot.xts(citydata)
plot.xts(citydata_nocb)

série chronologique tracée avec les données manquantes remplies par la prochaine observation reportée en arrière

Interpolation linéaire

citydata_approx <- na.approx(citydata)

plot.xts(citydata)
plot.xts(citydata_nocb)

série chronologique tracée avec les données manquantes comblées par interpolation linéaire

Passons à la pratique !

Étude de cas : analyser des séries chronologiques urbaines en R