第六章 缺失数据
# 导入需要的模块
import numpy as np
import pandas as pd
一、缺失值的统计和删除
1. 缺失信息的统计
缺失数据可以使用isna
或isnull
(两个函数没有区别)来查看每个单元格是否缺失,结合mean
可以计算出每列缺失值的比例:
df = pd.read_csv('data/learn_pandas.csv', usecols = ['Grade', 'Name', 'Gender', 'Height', 'Weight', 'Transfer'])
df.isna().head()
Grade | Name | Gender | Height | Weight | Transfer | |
---|---|---|---|---|---|---|
0 | False | False | False | False | False | False |
1 | False | False | False | False | False | False |
2 | False | False | False | False | False | False |
3 | False | False | False | True | False | False |
4 | False | False | False | False | False | False |
df.isna().mean()
# 查看缺失的比例
Grade 0.000
Name 0.000
Gender 0.000
Height 0.085
Weight 0.055
Transfer 0.060
dtype: float64
如果想要查看某一列缺失或者非缺失的行,可以利用Series上的isna或者notna进行布尔索引。例如,查看身高缺失的行:
df.Height.isnull().head()
# 返回布尔索引
0 False
1 False
2 False
3 True
4 False
Name: Height, dtype: bool
df[df.Height.isnull()].head()
# 外面嵌套一层df[],可以直接得出所有字段
Grade | Name | Gender | Height | Weight | Transfer | |
---|---|---|---|---|---|---|
3 | Sophomore | Xiaojuan Sun | Female | NaN | 41.0 | N |
12 | Senior | Peng You | Female | NaN | 48.0 | NaN |
26 | Junior | Yanli You | Female | NaN | 48.0 | N |
36 | Freshman | Xiaojuan Qin | Male | NaN | 79.0 | Y |
60 | Freshman | Yanpeng Lv | Male | NaN | 65.0 | N |
如果想要同时对几个列,检索出全部为缺失或者至少有一个缺失或者没有缺失的行,可以使用isna, notna和any, all的组合。
例如,对身高、体重和转系情况这3列分别进行这三种情况的检索:
# 全部缺失的情况【all(1)=all(axis =1) 查看各行是否存在空值】
sub_set = df[['Height','Weight','Transfer']]
df[sub_set.isna().all(1)]
Grade | Name | Gender | Height | Weight | Transfer | |
---|---|---|---|---|---|---|
102 | Junior | Chengli Zhao | Male | NaN | NaN | NaN |
sub_set.isna().all(1).sum()
# 查看含有全空值的行数
1
# 至少有一个缺失
df[sub_set.isna().any(1)].head()
Grade | Name | Gender | Height | Weight | Transfer | |
---|---|---|---|---|---|---|
3 | Sophomore | Xiaojuan Sun | Female | NaN | 41.0 | N |
9 | Junior | Juan Xu | Female | 164.8 | NaN | N |
12 | Senior | Peng You | Female | NaN | 48.0 | NaN |
21 | Senior | Xiaopeng Shen | Male | 166.0 | 62.0 | NaN |
26 | Junior | Yanli You | Female | NaN | 48.0 | N |
# 没有缺失值
df[sub_set.notnull().all(1)].head()
Grade | Name | Gender | Height | Weight | Transfer | |
---|---|---|---|---|---|---|
0 | Freshman | Gaopeng Yang | Female | 158.9 | 46.0 | N |
1 | Freshman | Changqiang You | Male | 166.5 | 70.0 | N |
2 | Senior | Mei Sun | Male | 188.9 | 89.0 | N |
4 | Sophomore | Gaojuan You | Male | 174.0 | 74.0 | N |
5 | Freshman | Xiaoli Qian | Female | 158.0 | 51.0 | N |
2. 缺失信息的删除
数据处理中经常需要根据缺失值的大小、比例或其他特征来进行行样本或列特征的删除,pandas
中提供了dropna
函数来进行操作。
dropna
的主要参数为轴方向axis
(默认为0,即删除行)、删除方式how
、删除的非缺失值个数阈值thresh
(
非
缺
失
值
\color{red}{非缺失值}
非缺失值没有达到这个数量的相应维度会被删除)、备选的删除子集subset
,其中how
主要有any
和all
两种参数可以选择。
# 例如,删除身高体重至少有一个缺失的行:
res = df.dropna(how='any',subset=['Height','Weight'])
res.shape
(174, 6)
# 当然,不用dropna同样是可行的,也可以使用布尔索引来完成:
res = df.loc[df[['Height', 'Weight']].notnull().all(1)]
res.shape
(174, 6)
# 例如,删除超过15个缺失值的列:
res = df.dropna(axis=1,thresh=df.shape[0]-15)
res.head()
# (thresh:非缺失值非缺失值 没有达到这个数量的相应维度会被删除),df.shape[0]代表有多少行
Grade | Name | Gender | Weight | Transfer | |
---|---|---|---|---|---|
0 | Freshman | Gaopeng Yang | Female | 46.0 | N |
1 | Freshman | Changqiang You | Male | 70.0 | N |
2 | Senior | Mei Sun | Male | 89.0 | N |
3 | Sophomore | Xiaojuan Sun | Female | 41.0 | N |
4 | Sophomore | Gaojuan You | Male | 74.0 | N |
# 同样不用dropna,使用布尔索引来完成:~ 取反
res = df.loc[:, ~(df.isnull().sum()>15)]
res.head()
Grade | Name | Gender | Weight | Transfer | |
---|---|---|---|---|---|
0 | Freshman | Gaopeng Yang | Female | 46.0 | N |
1 | Freshman | Changqiang You | Male | 70.0 | N |
2 | Senior | Mei Sun | Male | 89.0 | N |
3 | Sophomore | Xiaojuan Sun | Female | 41.0 | N |
4 | Sophomore | Gaojuan You | Male | 74.0 | N |
二、缺失值的填充和插值
1. 利用fillna进行填充
在fillna
中有三个参数是常用的:value, method, limit
。
value
为填充值,可以是标量,也可以是索引到元素的字典映射。
method
为填充方法,有用前面的元素填充ffill
和用后面的元素填充bfill
两种类型。
limit
参数表示连续缺失值的最大填充次数。
下面构造一个简单的Series
来说明用法:
s = pd.Series([np.nan, 1, np.nan, np.nan, 2, np.nan], list('aaabcd'))
s
a NaN
a 1.0
a NaN
b NaN
c 2.0
d NaN
dtype: float64
# 用前面的值向后填充
s.fillna(method='ffill')
a NaN
a 1.0
a 1.0
b 1.0
c 2.0
d 2.0
dtype: float64
# 连续出现的缺失,最多填充一次
s.fillna(method='ffill', limit=1)
a NaN
a 1.0
a 1.0
b NaN
c 2.0
d 2.0
dtype: float64
# value为标量,用均值填充
s.fillna(s.mean())
a 1.5
a 1.0
a 1.5
b 1.5
c 2.0
d 1.5
dtype: float64
# 通过索引映射填充的值
s.fillna({'a': 100, 'd': 200})
a 100.0
a 1.0
a 100.0
b NaN
c 2.0
d 200.0
dtype: float64
有时为了更加合理地填充,需要先进行分组后再操作。
# 例如,根据年级进行身高的均值填充:
df.groupby('Grade')['Height'].transform(lambda x:x.fillna(x.mean())).head()
0 158.900000
1 166.500000
2 188.900000
3 163.075862
4 174.000000
Name: Height, dtype: float64
【练一练】
对一个序列以如下规则填充缺失值:如果单独出现的缺失值,就用前后均值填充,如果连续出现的缺失值就不填充,即序列[1, NaN, 3, NaN, NaN]
填充后为[1, 2, 3, NaN, NaN]
,请利用fillna
函数实现。(提示:利用`limit``参数)
s = pd.Series([1, np.nan,3,np.nan, np.nan],list('abcdd'))
s
a 1.0
b NaN
c 3.0
d NaN
d NaN
dtype: float64
# 如果单独出现的缺失值,就用前后均值填充,如果连续出现的缺失值就不填充
s.index.name="index_name"
# 根据列名进行分组。
g = s.groupby("index_name")
# 这题待解决
2. 插值函数
在关于interpolate
函数的 文档 <https://pandas.pydata.org/docs/reference/api/pandas.Series.interpolate.html#pandas.Series.interpolate>
__ 描述中,列举了许多插值法,包括了大量Scipy
中的方法。
由于很多插值方法涉及到比较复杂的数学知识,因此这里只讨论比较常用且简单的三类情况,即线性插值、最近邻插值和索引插值。
对于interpolate
而言,除了插值方法(默认为linear
线性插值)之外,有与fillna
类似的两个常用参数,一个是控制方向的limit_direction
,另一个是控制最大连续缺失值插值个数的limit
。
其中,限制插值的方向默认为forward
,这与fillna
的method
中的ffill
是类似的,若想要后向限制插值或者双向限制插值可以指定为backward
或both
。
s = pd.Series([np.nan, np.nan, 1, np.nan, np.nan, np.nan, 2, np.nan, np.nan])
s.values
array([nan, nan, 1., nan, nan, nan, 2., nan, nan])
例如,在默认线性插值法下分别进行backward和双向限制插值,同时限制最大连续条数为1:
# backward限制插值法
res = s.interpolate(limit_direction='backward', limit=1)
res.values
array([ nan, 1. , 1. , nan, nan, 1.75, 2. , nan, nan])
# 双向限制插值法
res = s.interpolate(limit_direction='both', limit=1)
res.values
array([ nan, 1. , 1. , 1.25, nan, 1.75, 2. , 2. , nan])
第二种常见的插值是最近邻插补,即缺失值的元素和离它最近的非缺失值元素一样:
# 温馨提示: Pandas requires version '1.2.0'
# 或者newer of 'scipy' (version '0.19.0' currently installed).
s.interpolate('nearest').values
👇
array([nan, nan, 1., 1., 1., 2., 2., nan, nan])
# 这里我去pip install pandas==1.2.0 没有成功
最后来介绍索引插值,即根据索引大小进行线性插值。
# 例如,构造不等间距的索引进行演示:
s = pd.Series([0,np.nan,10],index=[0,1,10])
s
0 0.0
1 NaN
10 10.0
dtype: float64
# 默认的线性插值,等价于计算中点的值
s.interpolate()
0 0.0
1 5.0
10 10.0
dtype: float64
# 和索引有关的线性插值,计算相应索引大小对应的值
s.interpolate(method='index')
0 0.0
1 1.0
10 10.0
dtype: float64
同时,这种方法对于时间戳索引也是可以使用的,有关时间序列的其他话题会在后面进行讨论,这里举一个简单的例子:
s = pd.Series([0,np.nan,10], index=pd.to_datetime(['20200101', '20200102', '20200111']))
s
2020-01-01 0.0
2020-01-02 NaN
2020-01-11 10.0
dtype: float64
# 默认的线性插值,等价于计算中点的值
s.interpolate()
2020-01-01 0.0
2020-01-02 5.0
2020-01-11 10.0
dtype: float64
# 和索引有关的线性插值,计算相应索引大小对应的值
s.interpolate(method='index')
2020-01-01 0.0
2020-01-02 1.0
2020-01-11 10.0
dtype: float64
【NOTE】关于polynomial和spline插值的注意事项
在interpolate
中如果选用polynomial
的插值方法,它内部调用的是scipy.interpolate.interp1d(*,*,kind=order)
,这个函数内部调用的是make_interp_spline
方法,因此其实是样条插值而不是类似于numpy
中的polyfit
多项式拟合插值;
而当选用spline
方法时,pandas
调用的是scipy.interpolate.UnivariateSpline
而不是普通的样条插值。
这一部分的文档描述比较混乱,而且这种参数的设计也是不合理的,当使用这两类插值方法时,用户一定要小心谨慎地根据自己的实际需求选取恰当的插值方法。
三、Nullable类型
1. 缺失记号及其缺陷
在python
中的缺失值用None
表示,该元素除了等于自己本身之外,与其他任何元素不相等:
None == None
True
None == False
False
None == []
False
None == ''
False
在numpy中利用np.nan来表示缺失值,该元素除了不和其他任何元素相等之外,和自身的比较结果也返回False:
np.nan == np.nan
False
np.nan == None
False
np.nan == False
False
值得注意的是,虽然在对缺失序列或表格的元素进行比较操作的时候,np.nan
的对应位置会返回False
,但是在使用equals
函数进行两张表或两个序列的相同性检验时,会自动跳过两侧表都是缺失值的位置,直接返回True
:
s1 = pd.Series([1, np.nan])
s2 = pd.Series([1, 2])
s3 = pd.Series([1, np.nan])
s1 == 1
0 True
1 False
dtype: bool
s1.equals(s2)
False
s1.equals(s3)# 自动跳过缺失值
True
在时间序列的对象中,pandas利用pd.NaT来指代缺失值,它的作用和np.nan是一致的
pd.to_timedelta(['30s', np.nan]) # Timedelta中的NaT
TimedeltaIndex(['0 days 00:00:30', NaT], dtype='timedelta64[ns]', freq=None)
pd.to_datetime(['20200101', np.nan]) # Datetime中的NaT
DatetimeIndex(['2020-01-01', 'NaT'], dtype='datetime64[ns]', freq=None)
那么为什么要引入pd.NaT
来表示时间对象中的缺失呢?仍然以np.nan
的形式存放会有什么问题?
在pandas
中可以看到object
类型的对象,而object
是一种混杂对象类型,如果出现了多个类型的元素同时存储在Series
中,它的类型就会变成object
。
# 例如,同时存放整数和字符串的列表:
pd.Series([1, 'two'])
0 1
1 two
dtype: object
NaT
问题的根源来自于np.nan
的本身是一种浮点类型,而如果浮点和时间类型混合存储,如果不设计新的内置缺失类型来处理,就会变成含糊不清的object
类型,这显然是不希望看到的。
type(np.nan)
float
同时,由于np.nan
的浮点性质,如果在一个整数的Series
中出现缺失,那么其类型会转变为float64
;而如果在一个布尔类型的序列中出现缺失,那么其类型就会转为object
而不是bool
:
# 一个整数的Series中出现缺失,那么其类型会转变为float64
pd.Series([1, np.nan]).dtype
dtype('float64')
# 如果在一个布尔类型的序列中出现缺失,那么类型就会转为object而不是bool
pd.Series([True, False, np.nan]).dtype
dtype('O')
因此,在进入1.0.0
版本后,pandas
尝试设计了一种新的缺失类型pd.NA
以及三种Nullable
序列类型来应对这些缺陷,它们分别是Int, boolean
和string
。
2. Nullable类型的性质
从字面意义上看Nullable
就是可空的,言下之意就是序列类型不受缺失值的影响。
例如,在上述三个Nullable
类型中存储缺失值,都会转为pandas
内置的pd.NA
:
# Int64中的"i"必须是大写
pd.Series([np.nan, 1], dtype = 'Int64')
0 <NA>
1 1
dtype: Int64
pd.Series([np.nan, True], dtype = 'boolean')
0 <NA>
1 True
dtype: boolean
pd.Series([np.nan, 'my_str'], dtype = 'string')
0 <NA>
1 my_str
dtype: string
在Int
的序列中,返回的结果会尽可能地成为Nullable
的类型:
pd.Series([np.nan, 0], dtype = 'Int64') + 1
0 <NA>
1 1
dtype: Int64
pd.Series([np.nan, 0], dtype = 'Int64') == 0
0 <NA>
1 True
dtype: boolean
# 只能是浮点
pd.Series([np.nan, 0], dtype = 'Int64') * 0.5
0 NaN
1 0.0
dtype: float64
对于boolean
类型的序列而言,其和bool
序列的行为主要有两点区别:
第一点是带有缺失的布尔列表无法进行索引器中的选择,而boolean
会把缺失值看作False
:
s = pd.Series(['a', 'b'])
s_bool = pd.Series([True, np.nan])
s_boolean = pd.Series([True, np.nan]).astype('boolean')
# s[s_bool] # 报错
s[s_boolean]
0 a
dtype: object
第二点是在进行逻辑运算时,bool
类型在缺失处返回的永远是False
,而boolean
会根据逻辑运算是否能确定唯一结果来返回相应的值。
那什么叫能否确定唯一结果呢?
举个简单例子:True | pd.NA
中无论缺失值为什么值,必然返回True
;False | pd.NA
中的结果会根据缺失值取值的不同而变化,此时返回pd.NA
;False & pd.NA
中无论缺失值为什么值,必然返回False
。
s_boolean & True
0 True
1 <NA>
dtype: boolean
s_boolean | True
0 True
1 True
dtype: boolean
# 取反操作同样是无法唯一地判断缺失结果
~s_boolean
0 False
1 <NA>
dtype: boolean
关于string
类型的具体性质将在下一章文本数据中进行讨论。
一般在实际数据处理时,可以在数据集读入后,先通过convert_dtypes
转为Nullable
类型:
df = pd.read_csv('data/learn_pandas.csv')
df = df.convert_dtypes()
df.dtypes
School string
Grade string
Name string
Gender string
Height float64
Weight Int64
Transfer string
Test_Number Int64
Test_Date string
Time_Record string
dtype: object
3. 缺失数据的计算和分组
当调用函数sum, prob
使用加法和乘法的时候,缺失数据等价于被分别视作0和1,即不改变原来的计算结果:
s = pd.Series([2,3,np.nan,4,5])
s.sum()# 缺失值等价于0
14.0
s.prod() # 缺失值等价于1
120.0
当使用累计函数时,会自动跳过缺失值所处的位置:
s.cumsum()
0 2.0
1 5.0
2 NaN
3 9.0
4 14.0
dtype: float64
当进行单个标量运算的时候,除了np.nan ** 0
和1 ** np.nan
这两种情况为确定的值之外,所有运算结果全为缺失(pd.NA
的行为与此一致 ),并且np.nan
在比较操作时一定返回False
,而pd.NA
返回pd.NA
:
np.nan == 0 # np.nan在比较操作时一定返回False
False
pd.NA == 0 # pd.NA比较操作时一定返回NA
<NA>
np.nan > 0
False
np.nan + 1
nan
np.log(np.nan)
nan
np.add(np.nan, 1)
nan
np.nan ** 0 # 确定值
1.0
pd.NA ** 0 # 确定值
1
1 ** np.nan # 确定值
1.0
1 ** pd.NA # 确定值
1
另外需要注意的是,diff, pct_change
这两个函数虽然功能相似,但是对于缺失的处理不同。
diff
:参与缺失计算的部分全部设为了缺失值
pct_change
: 参与缺失值计算的位置会被设为 0% 的变化率
s.diff()
0 NaN
1 1.0
2 NaN
3 NaN
4 1.0
dtype: float64
s.pct_change()
0 NaN
1 0.500000
2 0.000000
3 0.333333
4 0.250000
dtype: float64
对于一些函数而言,缺失可以作为一个类别处理,例如在groupby, get_dummies
中可以设置相应的参数来进行增加缺失类别:
df_nan = pd.DataFrame({'category':['a','a','b',np.nan,np.nan], 'value':[1,3,5,7,9]})
df_nan
category | value | |
---|---|---|
0 | a | 1 |
1 | a | 3 |
2 | b | 5 |
3 | NaN | 7 |
4 | NaN | 9 |
# 温馨提示:以下操作pandas版本大于1.1.0
df_nan.groupby('category', dropna=False)['value'].mean()
# 增加缺失类别
category
a 2
b 5
NaN 8
Name: value, dtype: int64
pd.get_dummies(df_nan.category, dummy_na=True)
a | b | NaN | |
---|---|---|---|
0 | 1 | 0 | 0 |
1 | 1 | 0 | 0 |
2 | 0 | 1 | 0 |
3 | 0 | 0 | 1 |
4 | 0 | 0 | 1 |
四、练习
Ex1:缺失值与类别的相关性检验
在数据处理中,含有过多缺失值的列往往会被删除,除非缺失情况与标签强相关。下面有一份关于二分类问题的数据集,其中X_1, X_2
为特征变量,y
为二分类标签。
df = pd.read_csv('data/missing_chi.csv')
df.head()
X_1 | X_2 | y | |
---|---|---|---|
0 | NaN | NaN | 0 |
1 | NaN | NaN | 0 |
2 | NaN | NaN | 0 |
3 | 43.0 | NaN | 0 |
4 | NaN | NaN | 0 |
df.isna().mean()
X_1 0.855
X_2 0.894
y 0.000
dtype: float64
df.y.value_counts(normalize=True)
0 0.918
1 0.082
Name: y, dtype: float64
cat_1 = df.X_1.fillna('NaN').mask(df.X_1.notna()).fillna("NotNaN")
cat_2 = df.X_2.fillna('NaN').mask(df.X_2.notna()).fillna("NotNaN")
df_1 = pd.crosstab(cat_1, df.y, margins=True)
df_2 = pd.crosstab(cat_2, df.y, margins=True)
def compute_S(my_df):
S = []
for i in range(2):
for j in range(2):
E = my_df.iat[i, j]
F = my_df.iat[i, 2]*my_df.iat[2, j]/my_df.iat[2,2]
S.append((E-F)**2/F)
return sum(S)
res1 = compute_S(df_1)
res2 = compute_S(df_2)
from scipy.stats import chi2
chi2.sf(res1, 1) # X_1检验的p值 # 不能认为相关,剔除
0.9712760884395901
chi2.sf(res2, 1) # X_2检验的p值 # 认为相关,保留
7.459641265637543e-166
结果与scipy.stats.chi2_contingency
在不使用
Y
a
t
e
s
Yates
Yates修正的情况下完全一致:
from scipy.stats import chi2_contingency
chi2_contingency(pd.crosstab(cat_1, df.y), correction=False)[1]
chi2_contingency(pd.crosstab(cat_2, df.y), correction=False)[1]
7.459641265637543e-166
事实上,有时缺失值出现或者不出现本身就是一种特征,并且在一些场合下可能与标签的正负是相关的。关于缺失出现与否和标签的正负性,在统计学中可以利用卡方检验来断言它们是否存在相关性。按照特征缺失的正例、特征缺失的负例、特征不缺失的正例、特征不缺失的负例,可以分为四种情况,设它们分别对应的样例数为 n 11 , n 10 , n 01 , n 00 n_{11}, n_{10}, n_{01}, n_{00} n11,n10,n01,n00。假若它们是不相关的,那么特征缺失中正例的理论值,就应该接近于特征缺失总数 × \times ×总体正例的比例,即:
E 11 = n 11 ≈ ( n 11 + n 10 ) × n 11 + n 01 n 11 + n 10 + n 01 + n 00 = F 11 E_{11} = n_{11} \approx (n_{11}+n_{10})\times\frac{n_{11}+n_{01}}{n_{11}+n_{10}+n_{01}+n_{00}} = F_{11} E11=n11≈(n11+n10)×n11+n10+n01+n00n11+n01=F11
其他的三种情况同理。现将实际值和理论值分别记作 E i j , F i j E_{ij}, F_{ij} Eij,Fij,那么希望下面的统计量越小越好,即代表实际值接近不相关情况的理论值:
S = ∑ i ∈ { 0 , 1 } ∑ j ∈ { 0 , 1 } ( E i j − F i j ) 2 F i j S = \sum_{i\in \{0,1\}}\sum_{j\in \{0,1\}} \frac{(E_{ij}-F_{ij})^2}{F_{ij}} S=i∈{0,1}∑j∈{0,1}∑Fij(Eij−Fij)2
可以证明上面的统计量近似服从自由度为 1 1 1的卡方分布,即 S ∼ ⋅ χ 2 ( 1 ) S\overset{\cdot}{\sim} \chi^2(1) S∼⋅χ2(1)。因此,可通过计算 P ( χ 2 ( 1 ) > S ) P(\chi^2(1)>S) P(χ2(1)>S)的概率来进行相关性的判别,一般认为当此概率小于 0.05 0.05 0.05时缺失情况与标签正负存在相关关系,即不相关条件下的理论值与实际值相差较大。
上面所说的概率即为统计学上关于
2
×
2
2\times2
2×2列联表检验问题的
p
p
p值, 它可以通过scipy.stats.chi2(S, 1)
得到。请根据上面的材料,分别对X_1, X_2
列进行检验。
Ex2:用回归模型解决分类问题
KNN
是一种监督式学习模型,既可以解决回归问题,又可以解决分类问题。对于分类变量,利用KNN
分类模型可以实现其缺失值的插补,思路是度量缺失样本的特征与所有其他样本特征的距离,当给定了模型参数n_neighbors=n
时,计算离该样本距离最近的
n
n
n个样本点中最多的那个类别,并把这个类别作为该样本的缺失预测类别,具体如下图所示,未知的类别被预测为黄色:
上面有色点的特征数据提供如下:
df = pd.read_excel('data/color.xlsx')
df.head()
X1 | X2 | Color | |
---|---|---|---|
0 | -2.5 | 2.8 | Blue |
1 | -1.5 | 1.8 | Blue |
2 | -0.8 | 2.8 | Blue |
3 | -0.3 | 0.8 | Blue |
4 | 1.1 | 2.1 | Blue |
已知待预测的样本点为 X 1 = 0.8 , X 2 = − 0.2 X_1=0.8, X_2=-0.2 X1=0.8,X2=−0.2,那么预测类别可以如下写出:
from sklearn.neighbors import KNeighborsClassifier
clf = KNeighborsClassifier(n_neighbors=6)
clf.fit(df.iloc[:,:2], df.Color)
clf.predict([[0.8, -0.2]])
array(['Yellow'], dtype=object)
- 对于回归问题而言,需要得到的是一个具体的数值,因此预测值由最近的
n
n
n个样本对应的平均值获得。请把上面的这个分类问题转化为回归问题,仅使用
KNeighborsRegressor
来完成上述的KNeighborsClassifier
功能。 - 请根据第1问中的方法,对
audit
数据集中的Employment
变量进行缺失值插补。
1、
from sklearn.neighbors import KNeighborsRegressor
df = pd.read_excel('data/color.xlsx')
df_dummies = pd.get_dummies(df.Color)
stack_list = []
for col in df_dummies.columns:
clf = KNeighborsRegressor(n_neighbors=6)
clf.fit(df.iloc[:,:2], df_dummies[col])
res = clf.predict([[0.8, -0.2]]).reshape(-1,1)
stack_list.append(res)
code_res = pd.Series(np.hstack(stack_list).argmax(1))
df_dummies.columns[code_res[0]]
'Yellow'
2、
from sklearn.neighbors import KNeighborsRegressor
df = pd.read_csv('data/audit.csv')
res_df = df.copy()
df = pd.concat([pd.get_dummies(df[['Marital', 'Gender']]), df[['Age','Income','Hours']].apply(lambda x:(x-x.min())/(x.max()-x.min())), df.Employment],1)
# 这里参考答案用的query一直报错,还没仔细想好如何解决
# X_train = df.query('Employment.notna()')
# X_test = df.query('Employment.isna()')
# 报错结果: 'Series' objects are mutable, thus they cannot be hashed
# 先不用query 方法,用loc方法解决问题
X_train = df.loc[df['Employment'].notna()]
X_test = df.loc[df['Employment'].isna()]
df_dummies = pd.get_dummies(X_train.Employment)
stack_list = []
for col in df_dummies.columns:
clf = KNeighborsRegressor(n_neighbors=6)
clf.fit(X_train.iloc[:,:-1], df_dummies[col])
res = clf.predict(X_test.iloc[:,:-1]).reshape(-1,1)
stack_list.append(res)
code_res = pd.Series(np.hstack(stack_list).argmax(1))
cat_res = code_res.replace(dict(zip(list(range(df_dummies.shape[0])),df_dummies.columns)))
res_df.loc[res_df.Employment.isna(), 'Employment'] = cat_res.values
res_df.isna().sum()
ID 0
Age 0
Employment 0
Marital 0
Income 0
Gender 0
Hours 0
dtype: int64