安装及引用
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
案例中还会用到quilt，这是一个数据包管理器，可以让你像管理代码一样管理数据，anaconda没有内置，所以需要安装一下。
导入数据
from quilt.data.ResidentMario import missingno_data
collisions = missingno_data.nyc_collision_factors()
collisions = collisions.replace("nan", np.nan)
## 绘制缺失值矩阵图
msno.matrix无效矩阵是一个数据密集的显示，它可以快速直观地看出数据完整度。
msno.matrix(collisions.sample(250))
空白越多说明缺失越严重
右侧的迷你图概述了数据完整性的一般形状，并指出了数据集中具有最大和最小无效值的行数。需要说明的是，这个矩阵图最多容纳50个变量，超过此范围的标签开始重叠或变得不可读，默认情况下，大尺寸显示器会忽略它们。
如果要处理时间序列数据，则可以使用关键字参数指定周期性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')
绘制缺失值条形图
条形图提供与矩阵图相同的信息，但格式更简单。msno.bar(collisions.sample(1000))
绘制缺失值热力图
missingno相关性热力图可以显示无效的相关性：一个变量的存在或不存在如何强烈影响的另一个的存在。
数值为1：两个变量一个缺失另一个必缺失；
数值为-1：一个变量缺失另一个变量必然不缺失。
数值为0：变量缺失值出现或不出现彼此没有影响。
热力图非常适合于选择变量对之间的数据完整性关系，但是当涉及到较大的关系时，其解释力有限，并且它不特别支持超大型数据集。
注：始终为满或始终为空的变量没有任何有意义的关联，因此会从可视化中删除。
msno.heatmap(collisions)
缺失值树状图
通过树状图，可以更全面地观察缺失变量的关联性，揭示比关联热力图更深刻的相关关系：
msno.dendrogram(collisions)
