Visualización de valores faltantes

Clase 7 de 21 • Curso de Manejo de Datos Faltantes: Detección y Exploración

Clase anteriorSiguiente clase

Fredy Alberto Orozco Loaiza

student•

Otra visualización muy porte de missigno es la matriz de correlación. Da mucha información

Sebastian Serna Jimenez

student•

Excelente visualización, puedes compartir el código por favor?

Emilio Sala

student•

missingno.heatmap(df = riskfactors_df)

Jeinfferson Bernal G

student•

Visualizacion de Datos Faltantes

Las tablas nos permite conocer las variables con su respectivo porcentaje de datos faltantes. Sin embargo para visualizar aparaciones conjuntas de valores faltantes, es decir que en una variable aparezca un valor faltante y en el mismo registro aparezca un valor faltante en otra variable, las tablas no ayudan. Para ello, utilizamos los utsetplot que establecen diferentes conjuntos de datos y su relacion.

Visualizacion de de los datos faltantes para cada variable mediante un grafico de paleta

# Grafica de páletas
riskfactors_df.missing.missing_variable_plot()

Visualizacion de datos faltantes en los registros/Filas

riskfactors_df.missing.missing_case_plot()

Visualizacion de datos faltantes para bloques de 10 registros

(
    riskfactors_df
    .missing
    .missing_variable_span_plot(
        variable='weight_lbs',
        span_every=10,
        rot=0 #rotacion de los labels
    )
)

Visualizacion de datos faltantes para todas las variables del dataFrame

#Visualiacion mediante una funcion de pandas
missingno.bar(df = riskfactors_df)

Visualizacion de datos faltantes para cada variable mediante una matriz

missingno.matrix(df = riskfactors_df)

Visualizacion de apariciones conjuntas de varias variables

(
    riskfactors_df
    .missing
    .missing_upsetplot(
        variables=['pregnant', 'weight_lbs', 'smoke_stop'], # None para mostrar la relacion de todas las variables
        element_size = 30  # tamaño de la visualizacion
    )
)

Miguel Ángel Acosta Rocha

student•

hola amigo... qué significa la gráfica de barras horizontal que sale en la última imagen?

Jeinfferson Bernal G

student•

Representa la cantidad de valores faltantes que contiene la variable. Saludos

Paolo Joaquin Pinto Perez

student•

Si tienes el mismo error como yo:

ValueError                                Traceback (most recent call last)
Cell In[205], line 1
----> 1 riskfactors_df.missing.missing_variable_plot()

File /var/folders/ts/9c4rwdn15b7cy40fjt97_x6m0000gn/T/ipykernel_57155/805652746.py:147, in MissingMethods.missing_variable_plot(self)
    143 plot_range = range(1, len(df.index) + 1)
    145 plt.hlines(y=plot_range, xmin=0, xmax=df.n_missing, color="black")
--> 147 plt.plot(df.n_missing, plot_range, "o", color="black")
    149 plt.yticks(plot_range, df.variable)
    151 plt.grid(axis="y")

File ~/anaconda3/envs/ds-missing-values/lib/python3.9/site-packages/matplotlib/pyplot.py:2757, in plot(scalex, scaley, data, *args, **kwargs)
   2755 @_copy_docstring_and_deprecators(Axes.plot)
   2756 def plot(*args, scalex=True, scaley=True, data=None, **kwargs):
-> 2757     return gca().plot(
   2758         *args, scalex=scalex, scaley=scaley,
   2759         **({"data": data} if data is not None else {}), **kwargs)

File ~/anaconda3/envs/ds-missing-values/lib/python3.9/site-packages/matplotlib/axes/_axes.py:1632, in Axes.plot(self, scalex, scaley, data, *args, **kwargs)
   1390 """
   1391 Plot y versus x as lines and/or markers.
   1392 
   (...)
   1629 (``'green'``) or hex strings (``'#008000'``).
...
    344         "Multi-dimensional indexing (e.g. `obj[:, None]`) is no longer "
    345         "supported. Convert to a numpy array before indexing instead."
    346     )

ValueError: Multi-dimensional indexing (e.g. `obj[:, None]`) is no longer supported. Convert to a numpy array before indexing instead.
Output is truncated. View as a scrollable element or open in a text editor. Adjust cell output settings...

Lo solucione en el metodo missing_variable_plot: cambiando la linea:

        plt.plot(df.n_missing, plot_range, 'o', color="black")

a esta:

        plt.plot(np.array(df.n_missing), plot_range, 'o', color="black")

PD: es una conversion a un array de numpy(compatibilidad)

JULIO ALFONSO MESA PÉREZ

student•

Muchas gracias por la ayuda

Pablo Alejandro Figueroa

student•

gracias!

KEYRUN MESTRE ZALABATA

student•

Cuando inntntento utilizar el código:

riskfactors_df.missing.missing_case_plot()

Me aparece el siguiente error:

OptionError: "No such keys(s): 'mode.use_inf_as_null'"

No pude solucionarlo, por lo que opté por una alternativa:

(
    riskfactors_df
    .missing
    .missing_case_summary()
    .plot(
        kind='hist',
        x='case',
        y='pct_missing',
        bins=15,
    )
)

José Rodrigo Arana Hi

student•

parece que es una opcion de pandas que es llamado pero no se encuentra, por ello el error (ando asumiendo), pero tu codigo cumple con la visualización esperada. Gracias!

José Rodrigo Arana Hi

student•

un detalle! en las X debe ir las 'n_missing'. Aquí mi plot, inspirado en el tuyo:

plt.hist(
    riskfactors_df
    .missing
    .missing_case_summary()['n_missing']
)
plt.show()

Jorge Lara

student•

Una breve explicación de la librería missingno

https://www.youtube.com/watch?v=Wdvwer7h-8w&t=523s

Alberto Duque Villegas

student•

Tratando de entender un gráfico UpSetPlot:

Si tenemos el siguiente bloque de código:

(
    riskfactors_df
    .missing
    .missing_upsetplot(
        variables = ["pregnant", "weight_lbs"], #  Estas son las variables sobre las que se analizarán los valores faltantes.
        element_size = 30
    )
)

La salida es:

Mi interpretación de la gráfica sería:

Hay aproximadamente 30 registros (filas) en los que no hay valores nulos en ambas variables.
Hay más de 200 registros (filas) con valores nulos en pregnant, en los valores válidos de weight.
Hay 1 aproximadamente valor nulo en weight en los registros (filas)con valores válidos de pregnant.
Hay aproximadamente 10 registros (filas) en los que hay valores nulos en ambas variables.

José Rodrigo Arana Hi

student•

Para visualizar

riskfactors_df.missing.missing_case_plot()

Creo que hay un detalle con una opción en pandas que fue eliminado pero que sigue siendo invocado en seaborn, por ello los errores. Aquí un codigo temporal:

plt.hist(
    riskfactors_df
    .missing
    .missing_case_summary()['n_missing']
)
plt.show()

Diego Jurado

student•

Las visualizaciones son esenciales en los procesos de análisis de datos.

Oscar Piedrahita

student•

Alguien sabe cómo hago para que me autocomplete las palabras, si estoy utilizando el notebook en VSC ?

De esta manera si me autocompleta las palabras

riskfactors_df.missing.missing_variable_span_plot(variable='weight_lbs', span_every=10, rot=0)

pero de esta forma no autocompleta

(
    riskfactors_df
    .missing
    .missing_variable_span_plot(
        variable = 'weight_lbs',
        span_every=10,
        rot = 0
    )
)

Nixon Rolando García Ramírez

student•

Es curioso que no te auto complete, yo le intentaria con ctrl + espacio .

José Rodrigo Arana Hi

student•

a veces con un restart al Kernel se soluciona este y otros problemas.

Raul Andres Parada Sepulveda

student•

ERROR: OptionError: "No such key(s): 'mode.use_inf_as_null' missing_case_plot

#Solucion de este error en requirements.txt
#Debe usarse seaborn 0.12.2 o superior

pyjanitor
missingno
numpy
matplotlib==3.5.1
pandas
pyreadr
seaborn==0.12.2
session-info
upsetplot==0.6.1

Eduardo Barea

student•

gracias compañero.

Mauricio Escobar

student•

Qué onda 👋 el upsetplot que hicimos en clase es bastante útil. Al al ser nuevo para mi quise enfatizar la forma de leerlo. quizás es algo muy obvio pero no está demás reiterarlo:

(1) magenta: Frecuencia en la que cada caso se repite (una determinada aparición conjunta de valores nulos).
(2) azul: Cantidad total de valores nulos en cada columna individual. (Las barras negras representan la frecuencia de valores nulos en cada columna).
(3) amarillo: Una ocurrrencia. Combinaciones específicas de columnas que tienen valores nulos.
- Cada fila de puntitos en el recuadro amarillo representa un caso donde varias columnas tienen valores nulos simultáneamente.
(4) verde: Indica si una columna tiene un valor nulo en un caso específico.
- Un puntito indica la presencia de un valor nulo, mientras que su ausencia indica que no hay nulos en esa columna (para esa ocurrencia).

Observaciones La visualización de valores nulos indica dos grupos principales de columnas con valores faltantes relacionados al estilo de vida: uno asociado con la dieta y otro relacionado a hábitos de estilo de vida deficiente.

La presencia de valores nulos en columnas relacionadas con el consumo de tabaco y alcohol tiende a coincidir con valores nulos en otras columnas del mismo grupo. Sin embargo, la frecuencia de aparición conjunta de valores nulos en las columnas relacionadas con la dieta es considerablemente menor.
(A) Relación inversa entre los grupos de estilo de vida deficiente y dieta:
- Existe una relación lineal negativa entre los valores nulos en los grupos de estilo de vida y dieta. Es decir, cuando hay valores nulos en las columnas relacionadas con el consumo de tabaco y alcohol, es más probable encontrar valores completos en las columnas relacionadas con la dieta.
- Esto sugiere que los individuos que no responden preguntas sobre el consumo de tabaco y alcohol tienden a proporcionar información completa sobre su dieta*.
(B) Ausencia de patrones significativos en otras columnas:
- No se observan agrupaciones significativas de valores nulos en las columnas restantes, que incluyen datos demográficos y generales de salud, excepto en las columnas mencionadas anteriormente.
- Esto indica que la mayoría de los datos demográficos y generales de salud están completos y no muestran un patrón claro de valores nulos.

También le hice unos ajustes a la función para evitar conflictos por versiones anteriores que daban como resultado un festival de warnings (al parecer se necesita modificar el código desde upsetplot, por lo que no podemos hacer mucho hasta que lo actualicen):

"""(1) Plots the nulls whose values appear together (in successive rows)
           - using an 'upsetplot'"""
    def missing_upsetplot(self, cols: List[str] = None, **kwargs):
        #pandas version -> 2.2.1
        #upsetplot version -> 0.9.0
        if cols is None:
            cols = self._obj.columns.tolist()  # se convierten 'Series' a una lista

        # null values values count
        missing_data = self._obj.isna().value_counts(subset=cols)
        
        # remove the FutureWarnings
        with warnings.catch_warnings():
            warnings.simplefilter(action='ignore', category=FutureWarning)
            # upsetplot -> library
            upsetplot.plot(missing_data, **kwargs)

Mauro Benito Montoya Arenas

student•

En el minuto 4:18 me parece que tuvo que decir que la mayoria de las filas tuvo 4 errores faltantes (no 5)

Hubert Teller

student•

De acuerdo!

juan castillo

student•

El error 'InvalidIndexError: Reindexing only valid with uniquely valued Index objects' sugiere que hay índices duplicados en tu DataFrame al intentar usar 'missing_upsetplot'. Asegúrate de que los índices sean únicos o considera usar 'reset_index()' para resolver el problema.

juan castillo

student•

ya he intentado arreglar el indice pero el error persiste

juan castillo

student•

Mario Alexander Vargas Celis

student•

Para visualizar los valores faltantes en un DataFrame de Pandas, hay varias formas efectivas, y puedes aprovechar bibliotecas de visualización como matplotlib, seaborn, o incluso herramientas específicas como missingno. A continuación, te mostraré algunas de las formas más comunes.

### 1. Usar missingno para visualizar los valores faltantes

La biblioteca missingno es una excelente opción para visualizar los valores faltantes de manera rápida y efectiva.

#### Instalación:

Si no tienes instalada la biblioteca missingno, puedes instalarla con pip:


pip install missingno

#### Ejemplo de uso:

Una vez instalada, puedes usarla para visualizar los valores faltantes en tu DataFrame.


import missingno as msno

import matplotlib.pyplot as plt



\# Supongamos que riskfactors\_df es tu DataFrame

msno.matrix(riskfactors\_df)

plt.show()



\# También puedes utilizar un heatmap de correlación de valores faltantes

msno.heatmap(riskfactors\_df)

plt.show()

- **msno.matrix()**: Muestra una vista visual de los valores faltantes y no faltantes en el DataFrame.

- **msno.heatmap()**: Visualiza las correlaciones de valores faltantes entre las columnas del DataFrame.

### 2. Usar un heatmap con Seaborn para visualizar valores faltantes

Puedes crear un heatmap usando seaborn para representar los valores faltantes.

#### Instalación:

Si no tienes instalada seaborn, instálala con pip:


pip install seaborn

#### Ejemplo de uso:


import seaborn as sns

import matplotlib.pyplot as plt



\# Crear un mapa de calor donde se visualicen los valores faltantes

plt.figure(figsize=(10,6))

sns.heatmap(riskfactors\_df.isnull(), cbar=False, cmap='viridis')

plt.title("Mapa de calor de valores faltantes")

plt.show()

Este heatmap marcará con un color los valores que son nulos (True) y con otro color los que no lo son (False).

### 3. Usar un gráfico de barras con Matplotlib

Puedes visualizar los valores faltantes de cada columna usando un gráfico de barras.


import pandas as pd

import matplotlib.pyplot as plt



\# Contar los valores faltantes por columna

missing\_values = riskfactors\_df.isnull().sum()



\# Filtrar las columnas con valores faltantes

missing\_values = missing\_values\[missing\_values > 0]



\# Crear gráfico de barras

missing\_values.plot(kind='bar', figsize=(10,6))

plt.title("Valores faltantes por columna")

plt.xlabel("Columnas")

plt.ylabel("Número de valores faltantes")

plt.show()

Este gráfico de barras te mostrará cuántos valores faltantes tienes en cada columna.

### 4. Mostrar la distribución de valores faltantes con un conteo

Si prefieres simplemente contar los valores faltantes sin visualización gráfica:


\# Contar los valores faltantes en cada columna

missing\_summary = riskfactors\_df.isnull().sum()

print(missing\_summary)

Estas son algunas de las formas más útiles para identificar y visualizar los valores faltantes en tus datos. Dependiendo de la naturaleza de tu proyecto, puedes optar por una u otra, o combinarlas para obtener una visión más clara de los datos faltantes.

Pablo Alejandro Figueroa

student•

Explicación visual de qué es un UpSet:

Carlos Fabrishio Venegas Arana

student•

para el .missing_case_plot()

coloqué este código

plt.hist( riskfactors_df .missing .missing_case_summary()['n_missing'],color='black',bins=15 ) plt.show()

Carlos Fabrishio Venegas Arana

student•

Para los que tienen problemas con missing_variable_plot()

Lo solucione con este codigo

def missing_variable_plot(self): df = self._obj.missing.missing_variable_summary().sort_values("n_missing")

plot_range = range(1, len(df.index) + 1)

plt.hlines(y=plot_range, xmin=0, xmax=df.n_missing.values, color="black")  # Convierte df.n_missing en un array de NumPy

plt.plot(np.array(df.n_missing), plot_range, 'o', color="black")

plt.yticks(plot_range, df.variable)

plt.grid(axis="y")

plt.xlabel("Number missing")
plt.ylabel("Variable")

plt.show()