输入
- 数据: 输入数据集
- 学习器: 填充学习算法
输出
- 数据: 填充后的数据集
功能
Orange中的一些算法和可视化工具无法处理数据中的未知值。这个小部件执行的是统计学家所说的 imputation 过程:它用从数据中计算出的值或用户设置的值来替换缺失值。默认的 imputation 方法是 (1-NN)。
选项"As a distinct value"的含义是将缺失值替换为一个独特的值,这个值不会与数据集中的任何其他值相同。
这是一种简单的填补方法,适用于不想对缺失值进行复杂估算或预测的情况,而是希望将缺失值作为一个独立的类别来处理。
选择"As a distinct value"后,Orange3会将每个缺失值替换为一个新创建的值,通常是添加一个前缀或后缀,或者使用一个特殊的标签,比如"NULL"或"Missing"。
这样做的目的是为了在数据分析过程中保留缺失值的信息,而不是将其删除或用其他数值替代。
这种方法特别适用于分类数据,因为它可以将缺失值作为一个单独的类别来考虑,从而在数据集中保持数据的完整性和可追溯性。
然而,对于数值数据,这种方法可能会引入一个不必要的独特值,这可能会影响后续的分析,例如在执行统计测试或建模时。
视频教程:关注我不迷路, 抖音:Orange3dev
https://www.douyin.com/user/MS4wLjABAAAAicBGZTE2kX2EVHJPe8Ugk3_nlJk9Nha8OZh4Bo_nTu8
1-Orange3安装
2-Orange3汉化DIY
3-Orange3创建快方式
4-数据导入(文件&数据表格组件)
5-数据导入(Python组件)
6-Python库安装(SQL表组件)
7-数据导入(Mysql)
8-数据导入(数据绘画和公式组件)
9-数据修改(域编辑和保存组件)
10-数据可视化(调色板&数据信息组件)
11-数据可视化(特征统计组件)
12-数据预处理(行选择组件)
13-特征选择(Rank组件)
14-数据转换(数据采样组件)
15-数据预处理(列选择组件)
16-数据预处理(转置组件)
17-数据预处理(合并数据组件)
18-数据预处理(连接组件)无主表且列数不同
19-数据预处理(连接组件)主附表
20-数据预处理(索引选择器组件)
21-数据预处理(唯一组件)
22-数据预处理(列聚合组件)
23-数据预处理(分组组件)
24-数据预处理(透视图表组件)
25-数据预处理(转换器组件)-表格互为模板
26-数据预处理(转换器组件)-转换示例
27-数据预处理(预处理器组件)-基本信息
28-数据预处理(预处理器组件)-特征选择
29-数据预处理(预处理器组件)-填充缺失值并标准化特征
30-数据预处理(预处理器组件)-离散化连续变量
31-数据预处理(预处理器组件)-连续化离散变量
32-数据预处理(预处理器组件)-主成分分析PCA与CUR分解
33-数据预处理(缺失值处理组件)
34-数据预处理(连续化组件)
35-数据预处理(离散化组件)
36-数据预处理(随机化组件)
37-数据预处理(清理特征组件)-清理未使用特征值及常量特征
38-数据预处理(宽转窄组件)
39-数据预处理(公式组件)
40-数据预处理(分类器组件)
41-数据预处理(创建实例)
42-数据预处理(Python代码组件)