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。
从kaggle中简单的获取的泰坦尼克号的遇难者生存数据,对其中缺失的值进行填充,其中年龄可以用中位数,舱位可以用众数。
import pandas as pd
data = pd.read_csv(r"C:\Users\JYuXuAN\Desktop\sklearn\预处理数据\Narrativedata.csv", index_col=0)
# 防止多索引
# print(data.info())
# print()
Age = data.loc[:, "Age"].values.reshape(-1, 1) # sklearn当中特征矩阵必须是二维
Age[:20]
print(Age[:20]) #前20行用作展示,实际上把所有的缺失值使用中位数填充
from sklearn.impute import SimpleImputer
imp_mean = SimpleImputer() # 实例化,默认用均值填补
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)
# 使用中位数填补Age
data.loc[:, "Age"] = imp_median
print(data.info())
print()
#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)
print(data.info())
print()
使用pandas和numpy进行填补更加简单方便
import pandas as pd data = pd.read_csv(r"C:\Users\JYuXuAN\Desktop\sklearn\预处理数据\Narrativedata.csv",index_col=0)
data.head()
data.loc[:,"Age"] = data.loc[:,"Age"].fillna(data.loc[:,"Age"].median())
#.fillna 在DataFrame里面直接进行填补
data.dropna(axis=0,inplace=True)
#.dropna(axis=0)删除所有有缺失值的行,
#.dropna(axis=1)删除所有有缺失值的列
#参数inplace,为True表示在原数据集上进行修改,为False表示生成一个复制对象,不修改原数据,默认False