Build your ultimate AI agent
课程介绍
在真实世界的数据分析中，缺失数据几乎不可避免。它可能出现在意想不到的位置，增加分析理解的难度。在本课程中，您将学习使用 tidyverse 工具和 naniar R 包来可视化缺失值。您将整理缺失值，使其可用于分析，并探索缺失值以发现数据中的偏倚。最后，您还将揭示其他潜在的缺失模式。您还会学习如何使用插补模型来"填补空白"，以及如何基于插补后的数据集进行可视化、评估和决策。
先修要求
课程大纲
课程大纲
1
为什么要关注缺失数据？
第 1 章将向您介绍缺失数据，说明什么是缺失值、它们在 R 中的行为、如何检测它们以及如何计数。随后，我们介绍缺失数据的汇总方法，以及如何在个案、变量层面汇总缺失情况，并在数据中的不同分组内进行探索。最后，我们讨论缺失数据的可视化，如何为整个数据集以及各变量、各个案和其他汇总生成概览式可视化，并学习如何在不同分组间进行比较与探索。
2
整理与清洗缺失值
在第 2 章中，您将学习如何识别诸如 "missing" 或 "N/A" 之类隐藏的缺失值，并将它们替换为 `NA`。您将学习如何高效处理隐式缺失值——即未被显式列出、但可推断为缺失的值。我们还将讨论如何探索缺失数据的依赖性，介绍完全随机缺失（MCAR）、随机缺失（MAR）、非随机缺失（MNAR），以及这些情形对您的数据分析意味着什么。
3
检验缺失之间的关系
在本章中，您将学习处理缺失数据的工作流程。我们将介绍特殊的数据结构：shadow 矩阵与 nabular 数据，并演示如何在探索缺失数据的工作流程中使用它们，从而将缺失性的汇总结果与原始数据中的取值对应起来。您将学习如何使用 ggplot 来探索和可视化：当其他变量出现缺失时，某个变量的取值如何变化。最后，您将学习如何可视化两个变量之间的缺失情况，以及为何与如何在散点图中展示缺失。
4
把点连起来（插补）
本章将讲解如何填补数据中的缺失值，即插补。您将学习如何进行插补与跟踪缺失值，并了解插补的优缺点，以便将插补数据与原始取值进行可视化、探索与评估。您将学习如何使用、评估并比较不同的插补模型，并探索不同插补模型如何影响您基于模型得出的推断。
R
在 R 中处理缺失数据
课程完成
