knitr::opts_chunk$set(warning = FALSE)

Realicé un EDA para el siguiente conjunto de datos

library(readr)
df <- read_delim("C:/BK/Julian Acevedo/WFM_2021-11-08/WFM nov.2021/Analitica/U.NORTE/Vizualizacion datos R y Python/Tarea_5/dataset.csv", 
    delim = ",", escape_double = FALSE, trim_ws = TRUE)
## Rows: 768 Columns: 9
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## dbl (9): Pregnancies, Glucose, BloodPressure, SkinThickness, Insulin, BMI, D...
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
knitr::kable(head(df, 10))
Pregnancies Glucose BloodPressure SkinThickness Insulin BMI DiabetesPedigreeFunction Age Outcome
6 148 72 35 0 33.6 0.627 50 1
1 85 66 29 0 26.6 0.351 31 0
8 183 64 0 0 23.3 0.672 32 1
1 89 66 23 94 28.1 0.167 21 0
0 137 40 35 168 43.1 2.288 33 1
5 116 74 0 0 25.6 0.201 30 0
3 78 50 32 88 31.0 0.248 26 1
10 115 0 0 0 35.3 0.134 29 0
2 197 70 45 543 30.5 0.158 53 1
8 125 96 0 0 0.0 0.232 54 1

sustituimos todos los valores nulos “ausentes” por NAN

# Reemplazar valores iguales a 0.0 por NaN en columnas específicas
df$Glucose <- ifelse(df$Glucose == 0.0, NA, df$Glucose)
df$BloodPressure <- ifelse(df$BloodPressure == 0.0, NA, df$BloodPressure)
df$SkinThickness <- ifelse(df$SkinThickness == 0.0, NA, df$SkinThickness)
df$Insulin <- ifelse(df$Insulin == 0.0, NA, df$Insulin)
df$BMI <- ifelse(df$BMI == 0.0, NA, df$BMI)
knitr::kable(head(df, 10))
Pregnancies Glucose BloodPressure SkinThickness Insulin BMI DiabetesPedigreeFunction Age Outcome
6 148 72 35 NA 33.6 0.627 50 1
1 85 66 29 NA 26.6 0.351 31 0
8 183 64 NA NA 23.3 0.672 32 1
1 89 66 23 94 28.1 0.167 21 0
0 137 40 35 168 43.1 2.288 33 1
5 116 74 NA NA 25.6 0.201 30 0
3 78 50 32 88 31.0 0.248 26 1
10 115 NA NA NA 35.3 0.134 29 0
2 197 70 45 543 30.5 0.158 53 1
8 125 96 NA NA NA 0.232 54 1 
library(mice)
## 
## Attaching package: 'mice'
## The following object is masked from 'package:stats':
## 
##     filter
## The following objects are masked from 'package:base':
## 
##     cbind, rbind
# Establecer el tamaño de la gráfica más grande
par(plt=c(0.1, 1, 0.1, 1))

# Crear la gráfica de patrón de valores faltantes más grande
md.pattern(df, plot = TRUE, rotate.names = TRUE)

##     Pregnancies DiabetesPedigreeFunction Age Outcome Glucose BMI BloodPressure
## 392           1                        1   1       1       1   1             1
## 140           1                        1   1       1       1   1             1
## 192           1                        1   1       1       1   1             1
## 2             1                        1   1       1       1   1             0
## 26            1                        1   1       1       1   1             0
## 1             1                        1   1       1       1   0             1
## 1             1                        1   1       1       1   0             1
## 2             1                        1   1       1       1   0             1
## 7             1                        1   1       1       1   0             0
## 1             1                        1   1       1       0   1             1
## 4             1                        1   1       1       0   1             1
##               0                        0   0       0       5  11            35
##     SkinThickness Insulin    
## 392             1       1   0
## 140             1       0   1
## 192             0       0   2
## 2               1       0   2
## 26              0       0   3
## 1               1       1   1
## 1               1       0   2
## 2               0       0   3
## 7               0       0   4
## 1               1       1   1
## 4               1       0   2
##               227     374 652

Aqui podemos ver graficamente como se encuentra distribuidos los datos faltantes, lo primero que notamos es que hay 392 filas sin datos faltates, hay 3 filas con un dato faltante,4 con dos datos faltantes y solo 3 con 3 o mas datso faltantes. en la mayoria de columnas hay pocos datos faltantes, pero en las ultimas dos columnas se concentran la gran mayoria de datos faltantes, una con 227 y la otra con 374, cuando el resto de columnas tienen menos de 35 datos faltantes.

library(VIM)
## Loading required package: colorspace
## Loading required package: grid
## VIM is ready to use.
## Suggestions and bug-reports can be submitted at: https://github.com/statistikat/VIM/issues
## 
## Attaching package: 'VIM'
## The following object is masked from 'package:datasets':
## 
##     sleep
aggr(df, numbers=TRUE, cex.axis=0.5)

Podemos ver que el 51% de las filas no contienen datos faltantes, las los porcentajes más altos de datos faltantes son de 18% y 25%, las cuales se ven representadas en el grafico de la izquierda, donde “Insulin” es la columna con más datos faltantes superando el 40%, seguido de “SkinThickness”, con 30% de datos faltantes, las demas columnas tienen menos del 10% de datos faltantes.

marginplot(df[c(4,5)])

library(ggplot2)
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ stringr   1.5.1
## ✔ forcats   1.0.0     ✔ tibble    3.2.1
## ✔ lubridate 1.9.3     ✔ tidyr     1.3.0
## ✔ purrr     1.0.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks mice::filter(), stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(hrbrthemes)
## NOTE: Either Arial Narrow or Roboto Condensed fonts are required to use these themes.
##       Please use hrbrthemes::import_roboto_condensed() to install Roboto Condensed and
##       if Arial Narrow is not on your system, please see https://bit.ly/arialnarrow
library(gridExtra)
## 
## Attaching package: 'gridExtra'
## 
## The following object is masked from 'package:dplyr':
## 
##     combine
df_omit <- na.omit(df)
head(df_omit[c(5)])
## # A tibble: 6 × 1
##   Insulin
##     <dbl>
## 1      94
## 2     168
## 3      88
## 4     543
## 5     846
## 6     175