#计算含有缺失值的信息熵, 不同之处是每个样本带有权重
'''
weight 代表每个样本的权重
d_v 表示包含数据的 DataFrame
label 表示标签列的名称,默认为好瓜。
'''
def calEntroWithNull(weight,d_v:pd.DataFrame,label='好瓜'):
#获取标签列中的唯一值(分类列表)
classlist = d_v[label].unique()
#初始信息熵=0
ret_entro = 0
#过类目表
for k in classlist:
#分类的概率
prob_k = sum(weight[(d_v[label]==k)]) / sum(weight)
# print('p_k : ',sum(weight[(d_v[label]==k)]),'/',sum(weight),'=',prob_k)
ret_entro -= prob_k*np.log2(prob_k)
return ret_entroA
这段代码是用来计算在给定数据集中,针对某一特征(比如'好瓜'),以及对应的权重,计算其信息熵。信息熵是用来衡量数据的不确定性的指标,当信息熵越高时,数据的不确定性也越大。
具体来说,这段代码做了以下几件事情:
- 获取特征列中的唯一值(分类列表)
- 遍历每个分类,计算该分类的概率
- 根据公式计算信息熵
- 返回计算得到的信息熵值
其中,参数weight是每个样本的权重,d_v是包含数据的DataFrame,label是指定的特征列名(默认为'好瓜')。在代码中,使用了numpy库中的log2函数来计算对数。