缺失值处理方法：代数/统计/机器学习算法补全数据（附Python-sklearn代码&精美可视化绘图）

注：本期的删除或插补方法主要针对连续数据，时间序列数据的插补在后续关于时间序列的博客中讲明。参考鸢尾花丛书，链接如下：

参考书籍及源代码链接https://github.com/Visualize-ML

博客是选出自己感觉用的到的精炼部分加自己的理解，代码结果也是自己实操，部分还在学习过程增加了注释，算是笔记，科研时参考方便！！

---

一、删除

承接上一节的代码，继续进行处理！

1、整行整列删除

一般情况的数据集，每行代表一个样本，每列代表一个特征。处理缺失值的基本策略是舍弃包含缺失值的整行或整列，但会丢失有价值的数据。

dropna(axis = 0, how = 'any')方法，具有如下特征：

• axis = 0 为按行删除，设置 axis = 1 表示按列删除
• how = 'any'时，表示某行或列只要有一个缺失值，就删除该行或列
• how = 'all' ，表示该行或列全部都为缺失值时，才删除该行或列
• 默认 设置为 axis = 0 ， how = 'any'

X_NaN_drop = X_NaN.dropna(axis=0) #默认删除方式，按行any

iris_df_NaN_drop = pd.DataFrame(X_NaN_drop, columns=X_NaN.columns, index=X_NaN.index)
iris_df_NaN_drop['species'] = y
sns.pairplot(iris_df_NaN_drop, hue='species', palette = "dark")

数据减少了很多，不管是删除缺失值所在的行或 列，都会浪费大量有价值的信息。

---

2、成对删除

一种特别的删除方式，进行多特征联立时，只删除掉 需要执行运算特征 包含的缺失数据。例如估算方差协方差矩阵时，计算X1和X3的相关性，只需要删除下面数据点：

---

二、插补

删除策略可能会丢失有价值的数据，更好的策略是估算缺失值，即从数据的已知部分推断出缺失值，这种方法统称插补。

分类数据 和 连续数据 采用的方法也稍有差别。注意，选取采用插补方法要格外小心， 如果填充方法不合理，会引入数据噪音，并造成数据分析结果不准确。

时间序列数据 采用的插补方法不同于一般数据。 Pandas 数据帧有基本插补功能，特别是对于时间数据， 可以采用插值 、向前填充、向后填充。（ 后续关于时间序列的博客中讲明）

---

1、单变量插补：统计插补

仅使用缺失值所在特征维度的非缺失值来插补，函数方法SimpleImputer（）——可以使用缺失值所在的行/列中的统计数据平均值 ('mean')、中位数 ('median') 或者众数 ('most_frequent') 来填充，也可以使用指定的常数 'constant'。

连续数据常用平均值或中位数，分类数据常用众数来填充！如用中位数填充上述缺失数据集：

#单变量插补
from sklearn.impute import SimpleImputer

# The imputation strategy:
# 'mean', replace missing values using the mean along each column
# 'median', replace missing values using the median along each column
# 'most_frequent', replace missing using the most frequent value along each column
# 'constant', replace missing values with fill_value

si = SimpleImputer(strategy='median')
# impute training data
X_NaN_median = si.fit_transform(X_NaN)

iris_df_NaN_median = pd.DataFrame(X_NaN_median,
                                  columns=X_NaN.columns,
                                  index=X_NaN.index)

iris_df_NaN_median['species'] = y
sns.pairplot(iris_df_NaN_median, hue='species', palette = "dark")
plt.show()

中位数插补数据呈”十字状“，插补方法也可以通过替换注释中的字符实现。

---

2、K近邻插补

k 近邻算法 （ k -NN) 是最基本 监督学习 方法之 一，k -NN 中的 k 指的是“近邻”的数量——“近朱者赤，近墨者黑”。函数方法KNNImputer（）——先给定距离 缺失值数据最近的 k 个样本，将这 k 个值等 权重平均或加权平均来插补缺失值。

## kNN插补
from sklearn.impute import KNNImputer

knni = KNNImputer(n_neighbors=5)  #创建KNN实例化对象
X_NaN_kNN = knni.fit_transform(X_NaN) #开始插补

iris_df_NaN_kNN = pd.DataFrame(X_NaN_kNN,
                               columns=X_NaN.columns,
                               index=X_NaN.index)
iris_df_NaN_kNN['species'] = y

sns.pairplot(iris_df_NaN_kNN,
             hue='species', palette = "dark")
plt.show()

---

3、多变量插补

对比单变量插补，不用缺失值所在特征的数据，而是使用其他特征数据来填充该缺失值（缺失值建模为其他特征的函数），考虑了不同特征数据的联系！！

函数方法IterativeImputer()，整个过程用迭代循环的方式进行！

## 多变量插补
from sklearn.experimental import enable_iterative_imputer
from sklearn.impute import IterativeImputer
from sklearn.ensemble import RandomForestRegressor

rf_imp = IterativeImputer(estimator=
                          RandomForestRegressor(random_state=0),
                          max_iter=20)
X_NaN_RF = rf_imp.fit_transform(X_NaN)

iris_df_NaN_RF = pd.DataFrame(X_NaN_RF,
                              columns=X_NaN.columns,
                              index=X_NaN.index)
iris_df_NaN_RF['species'] = y
sns.pairplot(iris_df_NaN_RF, hue='species',
             palette = "dark")
plt.show()

---

IterativeImputer()多变量插补方法很灵活，也可以与决策树回归、贝叶斯岭回归等估算器联合使用：

参考资料1https://scikit-learn.org/stable/modules/impute.html参考资料2https://scikit-learn.org/stable/auto_examples/impute/plot_iterative_imputer_variants_comparison