随机森林案例：回归森林填补缺失值

---

前言

我们从现实中收集的数据，几乎不可能是完美无缺的，往往都会有一些缺失值。面对缺失值，很多人选择的方式是直接将含有缺失值的样本删除，这是一种有效的方法，但是有时候填补缺失值会比直接丢弃样本效果更好，即便我们其实并不知道缺失值的真实样貌。在sklearn中，我们可以使用sklearn.impute.SimpleImputer来轻松地将均值，中值，或者其他最常用的数值填补到数据中，在这个案例中，我们将使用均值，0，和随机森林回归来填补缺失值，并验证四种状况下的拟合状况，找出对使用的数据集来说最佳的缺失值填补方法。

---

使用随机森林回归填补缺失值

1.导入库

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import load_boston
from sklearn.model_selection import cross_val_score
from sklearn.impute import SimpleImputer #轻松的将均值，中值，或者其他常用的数值填补到数据中
from sklearn.ensemble import RandomForestRegressor #回归森林在ensemble模块下

2. 以波士顿数据集为例，导入完整的数据集并探索

datasets = load_boston()
x_full = datasets.data
y_full = datasets.target
n_samples = x_full.shape[0] #统计数据的行数
n_features = x_full.shape[1] #统计数据的特征数目

3.为完整数据集放入缺失值

我们现在采样了3289个数据，远远超过我们的样本量506，所以我们使用随机抽取的函数randint

rng = np.random.RandomState(0) #确定随机数种子
missing_rate = 0.5
n_missing_samples = int(np.floor(n_samples*n_features*missing_rate))#np.floor是向下取整，因为缺失值的几率可能为其他

missing_samples = rng.randint(0,n_samples,n_missing_samples) #随机生成在哪一行具有空值，可以重复，构成横坐标
missing_features =rng.randint(0,n_features,n_missing_samples)#随机生成在哪一列具有空值，可以重复，构成纵坐标

x_missing = x_full.copy()#复制，防止对原数据进行破坏
y_missing = y_full.copy()

x_missing[missing_samples,missing_features] = np.nan #将上方横坐标和纵坐标构成的坐标的位置设置为空值

#isnull()在numpy里没有，只有在DataFrame内才可以使用，随意需要转换成DataFrame
#转换成DataFrame是为了后续方便各种操作，numpy对矩阵的运算速度快到拯救人生，但是在索引等功能上却不如
#pandas来得好用
x_missing = pd.DataFrame(x_missing)

如果我们需要的数据量小于我们的样本量506，那我们可以采用np.random.choice来抽样，choice会随机抽取不重复的随机数，因此可以帮助我们让数据更加分散，确保数据不会集中在一些行中

#将missing_samples换成下面即可
missing_samples = rng.choice(dataset.data.shape[0],n_missing_samples,replace=False)

4. 使用0和均值来进行填补

#均值填补
imp_mean = SimpleImputer(missing_values=np.nan,strategy='mean') #实例化
x_missing_mean = imp_mean.fit_transform(x_missing) #进行填充
#0值填补
imp_0 = SimpleImputer(missing_values=np.nan,strategy='constant',fill_value=0)
x_missing_0 = imp_0.fit_transform(x_missing)

5. 使用随机森林填补缺失值

随机森林填补理解的例子

• 任何回归都是从特征矩阵中学习，然后求解连续型标签y的过程，之所以能够实现这个过程，是因为回归算法认为，特征矩阵和标签之前存在着某种联系。实际上，标签和特征是可以相互转换的，比如说，在一个“用地区，环境，附近学校数量”预测“房价”的问题中，我们既可以用“地区”，“环境”，“附近学校数量”的数据来预测“房价”，也可以反过来，用“环境”，“附近学校数量”和“房价”来预测“地区”。

如果有多个特征具有缺失值

• 遍历所有的特征，从缺失最少的开始进行填补（因为填补缺失最少的特征所需要的准确信息最少）。填补一个特征时，先将其他特征的缺失值用0代替，每完成一次回归预测，就将预测值放到原本的特征矩阵中，再继续填补下一个特征。每一次填补完毕，有缺失值的特征会减少一个，所以每次循环后，需要用0来填补的特征就越来越少。当进行到最后一个特征时（这个特征应该是所有特征中缺失值最多的），已经没有任何的其他特征需要用0来进行填补了，而我们已经使用回归为其他特征填补了大量有效信息，可以用来填补缺失最多的特征。遍历所有的特征后，数据就完整，不再有缺失值了

x_missing_reg = x_missing.copy() 
#argsort可以将传进去的元素从小到大排列，提取其对应的index(索引)
#将x_missing_reg里面的每一个特征为空的数据加起来，查看每一列有多少为空值
sortindex = np.argsort(x_missing_reg.isnull().sum(axis=0).values) 

for i in sortindex:
    df = x_missing_reg.copy()
    #提取需要进行预测填补的那一列作为标签，不可以用columns==i，
    #因为标签需要的是一维数据，而columns==i所提取出来的是DataFrame类型，是一个二维数据
    #如果直接写i，fillc就是series
    fillc = df.loc[:,i]
    #将原本的标签作为特征，建立新的矩阵，通过concat来进行矩阵的拼接
    df = pd.concat([df.loc[:,df.columns!=i],pd.DataFrame(y_missing)],axis=1)
    #将新构建的矩阵为空的值用0来进行填充
    #生成的df_0是np.ndarray类型
    df_0 = SimpleImputer(missing_values=np.nan,strategy='constant',fill_value=0).fit_transform(df)
    
    #找出训练集和测试集
    Ytrain = fillc.loc[fillc.notnull()]
    Ytest = fillc.loc[fillc.isnull()]
    Xtrain = df_0[Ytrain.index,:]
    Xtest = df_0[Ytest.index,:]
    
    #回归森林来预测填补缺失值
    rfc = RandomForestRegressor(n_estimators=100)
    rfc = rfc.fit(Xtrain,Ytrain)
    Ypredict = rfc.predict(Xtest)
    
    #将x_missing_reg中的当前这列中的为空值填补成使用回归森林预测的值
    x_missing_reg.loc[x_missing_reg.loc[:,i].isnull(),i] = Ypredict

6. 对填补好的数据进行建模及评分

X = [x_full,x_missing_mean,x_missing_0,x_missing_reg]
mse = []
#使用交叉验证来查看不同填充缺失值方法的打分情况
for i in X:
    estimator = RandomForestRegressor(n_estimators=100,random_state=0)
    score = cross_val_score(estimator,i,y_full,cv=10,scoring='neg_mean_squared_error').mean()
    mse.append(score)
    
[*zip(['x_full','x_missing_mean','x_missing_0','x_missing_reg'],mse)]

7. 用所得结果画出条形图

x_labels = ['Full data','Zero Imputation','Mean Imputation','Regressor Imputation']
colors = ['r', 'g', 'b', 'orange']
plt.figure(figsize=(12, 6))
ax = plt.subplot(111)
for i in np.arange(len(mse)):
    ax.barh(i, mse[i],color=colors[i], alpha=0.6, align='center')
ax.set_title('Imputation Techniques with Boston Data')
ax.set_yticks(np.arange(len(mse)))
ax.set_xlabel('MSE')
ax.set_yticklabels(x_labels)
plt.show()

---

总结

由上可以观察出回归森林容易过拟合，可以进行参数的添加
主要要掌握思想
回归森林讲解在下面链接
回归森林