安裝及引用

pip install missingno
import missingno as msno

missingno一般配合numpy和pandas一起使用：

import numpy as np
import pandas as pd

案例中還會用到quilt，這是一個數(shù)據(jù)包管理器，可以讓你像管理代碼一樣管理數(shù)據(jù)，anaconda沒有內置，所以需要安裝一下。

導入數(shù)據(jù)

from quilt.data.ResidentMario import missingno_data
collisions = missingno_data.nyc_collision_factors()
collisions = collisions.replace("nan", np.nan)

## 繪制缺失值矩陣圖
msno.matrix無效矩陣是一個數(shù)據(jù)密集的顯示，它可以快速直觀地看出數(shù)據(jù)完整度。  
msno.matrix(collisions.sample(250))

空白越多說明缺失越嚴重

右側的迷你圖概述了數(shù)據(jù)完整性的一般形狀，并指出了數(shù)據(jù)集中具有最大和最小無效值的行數(shù)。需要說明的是，這個矩陣圖最多容納50個變量，超過此范圍的標簽開始重疊或變得不可讀，默認情況下，大尺寸顯示器會忽略它們。

如果要處理時間序列數(shù)據(jù)，則可以使用關鍵字參數(shù)指定周期性freq：

null_pattern = (np.random.random(1000).reshape((50, 20)) > 0.5).astype(bool)  
null_pattern = pd.DataFrame(null_pattern).replace({False: None})  
msno.matrix(null_pattern.set_index(pd.period_range('1/1/2011', '2/1/2015', freq='M')) , freq='BQ')

![](https://my-wechat.oss-cn-beijing.aliyuncs.com/image_20200403162803.png)

繪制缺失值條形圖

條形圖提供與矩陣圖相同的信息，但格式更簡單。msno.bar(collisions.sample(1000))

繪制缺失值熱力圖

missingno相關性熱力圖可以顯示無效的相關性：一個變量的存在或不存在如何強烈影響的另一個的存在。
數(shù)值為1：兩個變量一個缺失另一個必缺失；
數(shù)值為-1：一個變量缺失另一個變量必然不缺失。
數(shù)值為0：變量缺失值出現(xiàn)或不出現(xiàn)彼此沒有影響。
熱力圖非常適合于選擇變量對之間的數(shù)據(jù)完整性關系，但是當涉及到較大的關系時，其解釋力有限，并且它不特別支持超大型數(shù)據(jù)集。

注：始終為滿或始終為空的變量沒有任何有意義的關聯(lián)，因此會從可視化中刪除。

msno.heatmap(collisions)

 

缺失值樹狀圖

通過樹狀圖，可以更全面地觀察缺失變量的關聯(lián)性，揭示比關聯(lián)熱力圖更深刻的相關關系：
msno.dendrogram(collisions)