数据预处理与特征工程(二)----缺失值的处理
相关数据集均放置在本人的csdn文件中,如有需要,可免费下载。内容来自老师上课的课件。侵删…
缺失值的处理
背景
机器学习和数据挖掘中所使用的数据,永远不可能是完美的。很多特征,对于分析和建模来说意义非凡,但对于实际收集数据的人却不是如此,因此数据挖掘之中,常常会有重要的字段缺失值很多,但又不能舍弃字段的情况。因此,数据预处理中非常重要的一项就是处理缺失值。在这里,我们使用从泰坦尼克号提取出来的数据,这个数据有三个特征,一个数值型,两个字符型,标签也是字符型。在python的机器学习中,我们常用的包是sklearn。
常用参数
from sklearn.impute import SimpleImputer
其常用参数有:
- missing_values:告诉SimpleImputer,数据中的缺失值长什么样,默认空值np.nan
- strategy: 填补缺失值的策略,默认均值。
- 输入“mean”使用均值填补(仅对数值型特征可用)
- 输入“median"用中值填补(仅对数值型特征可用)
- 输入"most_frequent”用众数填补(对数值型和字符型特征都可用)
- 输入“constant"表示请参考参数“fill_value"中的值(对数值型和字符型特征都可用)
- fill_value:当参数startegy为”constant"的时候可用,可输入字符串或数字表示要填充的值,常用0
- copy: 默认为True,将创建特征矩阵的副本,反之则会将缺失值填补到原本的特征矩阵中去。
实例代码
-
读取泰坦尼克缩减版数据并探索
import pandas as pd data = pd.read_csv(r".\Narrativedata.csv" ,index_col=0) #index_col=0将第0列作为索引,不写则认为第0列为特征 data.head() data.info()
-
对年龄数据进行各种方式的填补
#填补年龄 Age = data.loc[:,"Age"].values.reshape(-1,1) #sklearn当中特征矩阵必须是二维 Age[:20] from sklearn.impute import SimpleImputer imp_mean = SimpleImputer() #实例化,默认均值填补 imp_median = SimpleImputer(strategy="median") #用中位数填补 imp_0 = SimpleImputer(strategy="constant",fill_value=0) #用0填补 imp_mean = imp_mean.fit_transform(Age) imp_median = imp_median.fit_transform(Age) imp_0 = imp_0.fit_transform(Age) imp_mean[:20] imp_median[:20] imp_0[:20] data.loc[:,"Age"] = imp_median #最终选择中位数 data.info()
-
使用众数填补Embarked
Embarked = data.loc[:,"Embarked"].values.reshape(-1,1) imp_mode = SimpleImputer(strategy = "most_frequent") data.loc[:,"Embarked"] = imp_mode.fit_transform(Embarked) data.info()