Przejdź do głównej treści

Strona główna R

Kurs

Praca z brakującymi danymi w R

PodstawowyPoziom umiejętności

Zaktualizowano 11.2025

Ułatw wizualizację, eksplorację i imputację brakujących danych dzięki naniar — podejściu przyjaznemu tidyverse do braków danych.

Zacznij kurs za darmo

RData Preparation

4 godz.

14 filmów

52 Ćwiczenia

4,350 XP

17,208

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Brakujące dane są nieodłączną częścią każdej analizy danych z prawdziwego świata. Mogą pojawiać się w nieoczekiwanych miejscach, utrudniając interpretację wyników. W tym kursie nauczysz się korzystać z narzędzi tidyverse oraz pakietu naniar w R, aby wizualizować brakujące wartości. Poznasz sposoby porządkowania brakujących danych tak, by można je było wykorzystać w analizie, a także metody ich eksploracji pod kątem potencjalnych błędów systematycznych. Na koniec odkryjesz ukryte wzorce braków danych. Dowiesz się również, jak „wypełniać luki" za pomocą modeli imputacji oraz jak wizualizować, oceniać i interpretować zaimputowane zbiory danych.

Wymagania wstępne

Introduction to R Introduction to the Tidyverse

1

Why care about missing data?

Chapter 1 introduces you to missing data, explaining what missing values are, their behavior in R, how to detect them, and how to count them. We then introduce missing data summaries and how to summarise missingness across cases, variables, and how to explore across groups within the data. Finally, we discuss missing data visualizations, how to produce overview visualizations for the entire dataset and over variables, cases, and other summaries, and how to explore these across groups.

Introduction to missing data

Using and finding missing values

How many missing values are there?

Working with missing values

Why care about missing values?

Summarizing missingness

Tabulating Missingness

Other summaries of missingness

How do we visualize missing values?

Your first missing data visualizations

Visualizing missing cases and variables

Visualizing missingness patterns

Zacznij rozdział

2

Wrangling and tidying up missing values

In chapter two, you will learn how to uncover hidden missing values like "missing" or "N/A" and replace them with NA. You will learn how to efficiently handle implicit missing values - those values implied to be missing, but not explicitly listed. We also cover how to explore missing data dependence, discussing Missing Completely at Random (MCAR), Missing At Random (MAR), Missing Not At Random (MNAR), and what they mean for your data analysis.

Searching for and replacing missing values

Using miss_scan_count

Using replace_with_na

Using replace_with_na scoped variants

Filling down missing values

Fix implicit missings using complete()

Fix explicit missings using fill()

Using complete() and fill() together

Missing Data dependence

Differences between MCAR and MAR

Exploring missingness dependence

Further exploring missingness dependence

Zacznij rozdział

3

Testing missing relationships

In this chapter, you will learn about workflows for working with missing data. We introduce special data structures, the shadow matrix, and nabular data, and demonstrate how to use them in workflows for exploring missing data so that you can link summaries of missingness back to values in the data. You will learn how to use ggplot to explore and visualize how values changes as other variables go missing. Finally, you learn how to visualize missingness across two variables, and how and why to visualize missings in a scatterplot.

Tools to explore missing data dependence

Creating shadow matrix data

Performing grouped summaries of missingness

Further exploring more combinations of missingness

Visualizing missingness across one variable

Nabular data and filling by missingness

Nabular data and summarising by missingness

Explore variation by missingness: box plots

Visualizing missingness across two variables

Exploring missing data with scatter plots

Using facets to explore missingness

Faceting to explore missingness (multiple plots)

Zacznij rozdział

4

Connecting the dots (Imputation)

In this chapter, you will learn about filling in the missing values in your data, which is called imputation. You will learn how to impute and track missing values, and what the good and bad features of imputations are so that you can explore, visualise, and evaluate the imputed data against the original values. You will learn how to use, evaluate, and compare different imputation models, and explore how different imputation models affect the inferences you can draw from the models.

Filling in the blanks

Impute data below range with nabular data

Visualize imputed values in a scatter plot

Create histogram of imputed data

What makes a good imputation

Evaluating bad imputations

Evaluating imputations: The scale

Evaluating imputations: Across many variables

Performing imputations

Using simputation to impute data

Evaluating and comparing imputations

Evaluating imputations (many models & variables)

Evaluating imputations and models

Combining and comparing many imputation models

Evaluating the different parameters in the model

Final Lesson

Zacznij rozdział

Praca z brakującymi danymi w R

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Praca z brakującymi danymi w R już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.