Name: R में Missing Data से निपटना
Rating: 4.806451612903226 (186 reviews)

कोर्स विवरण

वास्तविक दुनिया के किसी भी डेटा विश्लेषण में missing data सामान्य है। यह अनपेक्षित जगहों पर मिल सकता है, जिससे विश्लेषण को समझना कठिन हो जाता है। इस कोर्स में, आप tidyverse टूल्स और naniar R पैकेज की मदद से missing values को विज़ुअलाइज़ करना सीखेंगे। आप missing values को इस तरह टाइडी करेंगे कि वे विश्लेषण में उपयोग हो सकें, और डेटा में बायस खोजने के लिए missing values की जाँच करेंगे। अंत में, आप missingness के अन्य अंदरूनी पैटर्न उजागर करेंगे। आप यह भी सीखेंगे कि इम्प्यूटेशन मॉडल्स के जरिए missing values के "खाली स्थान" कैसे भरें, और इन इम्प्यूटेड डेटासेट्स को विज़ुअलाइज़, आकलन, और उनके आधार पर निर्णय कैसे लें।

पूर्वापेक्षाएँ

Introduction to R Introduction to the Tidyverse

पाठ्यक्रम

कोर्स रूपरेखा

Missing data की परवाह क्यों करें?

अध्याय 1 में आपको missing data से परिचित कराया जाएगा — missing values क्या हैं, R में उनका व्यवहार कैसा होता है, उन्हें कैसे पहचानें, और कैसे गिनें। इसके बाद हम missing data के सारांश पेश करेंगे और बताएँगे कि मिसिंगनेस को केस, वैरिएबल्स, और डेटा के भीतर ग्रुप्स के हिसाब से कैसे समरीज़ किया जाता है। अंत में, हम missing data विज़ुअलाइज़ेशन पर चर्चा करेंगे — पूरे डेटासेट और वैरिएबल्स, केसेज़ तथा अन्य सारांशों का ओवरव्यू कैसे बनाएं, और इन्हें अलग-अलग ग्रुप्स में कैसे एक्सप्लोर करें।

अध्याय शुरू करें

Missing values को सँभालना और टाइडी करना

दूसरे अध्याय में, आप "missing" या "N/A" जैसी छिपी हुई missing values पहचानना और उन्हें `NA` से बदलना सीखेंगे। आप इम्प्लिसिट missing values को कुशलतापूर्वक सँभालना सीखेंगे — वे मान जो missing माने जाते हैं, लेकिन स्पष्ट रूप से सूचीबद्ध नहीं होते। हम missing data dependence की जाँच भी कवर करेंगे, जिसमें Missing Completely at Random (MCAR), Missing At Random (MAR), Missing Not At Random (MNAR) शामिल हैं, और यह आपकी डेटा एनालिसिस के लिए क्या मायने रखते हैं।

अध्याय शुरू करें

Missing रिश्तों की जाँच

इस अध्याय में, आप missing data के साथ काम करने के लिए वर्कफ़्लोज़ के बारे में सीखेंगे। हम विशेष डेटा स्ट्रक्चर्स — shadow matrix और nabular data — से परिचय कराएँगे, और दिखाएँगे कि उन्हें missing data की पड़ताल के वर्कफ़्लो में कैसे इस्तेमाल करें ताकि आप मिसिंगनेस के सारांशों को डेटा के वास्तविक मानों से जोड़ सकें। आप सीखेंगे कि ggplot का उपयोग करके कैसे जाँचें और विज़ुअलाइज़ करें कि जैसे-जैसे अन्य वैरिएबल्स missing होते हैं, वैल्यूज़ कैसे बदलती हैं। अंत में, आप दो वैरिएबल्स में मिसिंगनेस को कैसे विज़ुअलाइज़ करें, और स्कैटरप्लॉट में मिसिंग्स को क्यों और कैसे दिखाएँ, यह सीखेंगे।

अध्याय शुरू करें

डॉट्स जोड़ना (Imputation)

इस अध्याय में, आप अपने डेटा में missing values को भरने के बारे में सीखेंगे, जिसे imputation कहा जाता है। आप missing values को इम्प्यूट करना और ट्रैक करना, तथा इम्प्यूटेशंस की अच्छी और कमज़ोर विशेषताएँ क्या हैं, यह जानेंगे ताकि आप इम्प्यूटेड डेटा को मूल मानों के मुकाबले एक्सप्लोर, विज़ुअलाइज़ और मूल्यांकन कर सकें। आप अलग-अलग इम्प्यूटेशन मॉडल्स का उपयोग, आकलन और तुलना करना सीखेंगे, और यह भी जाँचेंगे कि विभिन्न इम्प्यूटेशन मॉडल्स आपके मॉडलों से निकाले जा सकने वाले निष्कर्षों को कैसे प्रभावित करते हैं।