数据预处理 第4篇：数据预处理（sklearn 插补缺失值）

由于各种原因，现实世界中的许多数据集都包含缺失值，通常把缺失值编码为空白，NaN或其他占位符。但是，此类数据集与scikit-learn估计器不兼容，这是因为scikit-learn的估计器假定数组中的所有值都是数字，并且都存在有价值的含义。如果必须使用不完整数据集，那么处理缺失数据的基本策略是丢弃包含缺失值的整个行和/或列，但是，这是以丢失有价值的数据为代价的(即使数据不完整)，更好的策略是估算缺失值，从数据的已知部分推断出缺失值，这就是插补(imputation)。

单变量插补法(univariate imputation)，仅使用第i个特征维度中的非缺失值来插补第i个特征维度中的值。相比之下，多变量插补算法(multivariate imputation)会使用整个可用特征维度集来估算缺失值。

一，单变量插补

在sklearn包中，使用SimpleImputer估算器来实现单变量插补，单变量插补的处理策略(由strategy参数制定)有四个：mean，median，most_frequent和constant(搭配fill_value参数使用)。其中，mean和median分别表示使用均值和中位数来插补缺失值；对于定性数据