使用随机森林进行缺失值填补的思想:
X和y之间是有联系的,所以才能用X预测y;那么反过来,y也可以在一定程度上预测X。
当X中的某个特征x有缺失值时,我们将该特征看为target,y看作一个新特征(即X去除x和y组成特征向量,x作为target);无缺失值的样本做训练集,有缺失值的样本做测试集,使用随机森林建模(可以是回归,也可是是分类),对缺失值进行预测。
当X中有多个特征有缺失值时,从缺失值最少的特征开始处理,此时其他缺失值用0填充;当该特征的缺失值用随机森林预测出来后,填补到原始数据中,之后继续按上述方法处理下一个缺失值。
import warnings
warnings.filterwarnings("ignore")
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.datasets import load_boston
from sklearn.model_selection import cross_val_score
from sklearn.impute import SimpleImputer
#导入原始数据
ori_x = load_boston().data
target = load_boston().target
pd.DataFrame(ori_x).isnull().sum()
#可以看出,原始数据中13个特征都没有缺失值
0 0
1 0
2 0
3 0
4 0
5 0
6 0
7 0
8 0
9 0
10 0
11 0
12 0
dtype: int64
missing_rate = 0.2 #设置缺失率
missing_cnt = int(np.ceil(missing_rate*ori_x.shape[0]*ori_x.shape[1])) #计算一共有多少个数据将缺失
rs = np.random.RandomState(805) #设置随机数种子
missing_row_idx = rs.randint(0,ori_x.shape[0],missing_cnt) #缺失数据的行索引
missing_col_idx