Dernière chance ! -50 % sur DataCamp Premium
L'offre se termine dans
Description du cours
Les données manquantes font partie de toute analyse de données réelle. Elles peuvent apparaître là où on ne les attend pas et rendre les analyses difficiles à interpréter. Dans ce cours, vous apprendrez à utiliser les outils du tidyverse et le package R naniar pour visualiser les valeurs manquantes. Vous mettrez en ordre ces valeurs pour pouvoir les utiliser dans vos analyses et vous explorerez les manquants afin d’identifier d’éventuels biais dans les données. Enfin, vous révélerez d’autres schémas sous-jacents de données manquantes. Vous apprendrez aussi à « combler les trous » grâce à des modèles d’imputation, ainsi qu’à visualiser, évaluer et prendre des décisions à partir de ces jeux de données imputés.
Prérequis
Programme de formation
Plan du cours
1
Pourquoi se préoccuper des données manquantes ?
Le chapitre 1 vous présente les données manquantes : ce que sont les valeurs manquantes, leur comportement dans R, comment les détecter et les compter. Nous introduisons ensuite des synthèses dédiées aux données manquantes, comment résumer la « missingness » selon les cas, les variables, et comment explorer les groupes au sein des données. Enfin, nous abordons les visualisations des données manquantes : produire des vues d’ensemble pour l’ensemble du jeu de données et par variables, cas et autres résumés, et comment les explorer à travers différents groupes.
- Introduction aux données manquantes50 XP
- Utiliser et repérer les valeurs manquantes100 XP
- Combien de valeurs manquantes y a-t-il ?100 XP
- Travailler avec des valeurs manquantes50 XP
- Pourquoi se préoccuper des valeurs manquantes ?50 XP
- Résumer les valeurs manquantes100 XP
- Tableau de la donnée manquante100 XP
- Autres résumés de la présence de valeurs manquantes100 XP
- Comment visualiser les valeurs manquantes ?50 XP
- Vos premières visualisations de données manquantes100 XP
- Visualiser les cas et variables manquants100 XP
- Visualiser les motifs de valeurs manquantes100 XP
2
Préparer et remettre en ordre les valeurs manquantes
Dans le chapitre 2, vous apprendrez à repérer des valeurs manquantes cachées comme « missing » ou « N/A » et à les remplacer par `NA`. Vous verrez comment gérer efficacement les valeurs manquantes implicites — celles qui sont sous-entendues comme manquantes, mais non indiquées explicitement. Nous expliquons aussi comment explorer la dépendance des données manquantes, en présentant Missing Completely at Random (MCAR), Missing At Random (MAR), Missing Not At Random (MNAR) et leurs implications pour votre analyse de données.
3
Tester les relations liées aux manquants
Dans ce chapitre, vous découvrirez des workflows pour travailler avec des données manquantes. Nous présentons des structures de données spécifiques, la matrice « shadow » et les données « nabular », et montrons comment les intégrer dans des workflows d’exploration des manquants afin de relier les résumés de « missingness » aux valeurs du jeu de données. Vous apprendrez à utiliser ggplot pour explorer et visualiser comment les valeurs évoluent lorsque d’autres variables deviennent manquantes. Enfin, vous verrez comment visualiser les manquants entre deux variables, et comment et pourquoi les représenter dans un nuage de points.
4
Relier les points (Imputation)
Dans ce chapitre, vous apprendrez à combler les valeurs manquantes de vos données, une démarche appelée imputation. Vous verrez comment imputer et tracer les valeurs manquantes, et quelles sont les qualités et limites des imputations afin de pouvoir explorer, visualiser et évaluer les données imputées par rapport aux valeurs d’origine. Vous apprendrez à utiliser, évaluer et comparer différents modèles d’imputation, et à analyser comment ces modèles influencent les conclusions que vous pouvez tirer.
R
Gérer les données manquantes en R
Cours
terminé
