|
|
@@ -55,7 +55,7 @@ def plot_missing_outcome(X, y, features, labels, figsize=(20,10)):
|
|
|
.groupby("n_NA") \
|
|
|
.agg(lambda x: x.sum()/x.count())
|
|
|
|
|
|
- fig,ax = plt.subplots(1, 1, figsize=(20,10))
|
|
|
+ fig,ax = plt.subplots(1, 1, figsize=figsize)
|
|
|
sns.lineplot(
|
|
|
data=pd.melt(data.reset_index(), id_vars="n_NA",value_vars=data.columns),
|
|
|
hue="variable",
|
|
|
@@ -65,4 +65,20 @@ def plot_missing_outcome(X, y, features, labels, figsize=(20,10)):
|
|
|
)
|
|
|
|
|
|
ax.set_xlabel("Nombre de valeurs manquantes")
|
|
|
- ax.set_ylabel("Pourcentage d'examen prescrit")
|
|
|
+ ax.set_ylabel("Pourcentage d'examen prescrit")
|
|
|
+ ax.set_title("% de prescription de bilans en fonction du nombre de variables manquantes")
|
|
|
+
|
|
|
+def plot_missing_bar(X, features, figsize=(15,10)):
|
|
|
+ fig, ax = plt.subplots(1,1, figsize=figsize)
|
|
|
+
|
|
|
+ data = (X[features].isna()*1).mean().reset_index()
|
|
|
+ sns.barplot(
|
|
|
+ data=data,
|
|
|
+ x="index",
|
|
|
+ y=0,
|
|
|
+ ax=ax
|
|
|
+ )
|
|
|
+
|
|
|
+ ax.set_title("% de valeurs manquantes par variable")
|
|
|
+ ax.set_xlabel("Variable")
|
|
|
+ ax.set_ylabel("% de valeurs manquantes")
|
