机器学习数据预处理之缺失值:固定值填充

Posted Data+Science+Insight

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习数据预处理之缺失值:固定值填充相关的知识,希望对你有一定的参考价值。

机器学习数据预处理之缺失值:固定值填充

garbage in, garbage out.

没有高质量的数据,就没有高质量的数据挖掘结果,数据值缺失是数据分析中经常遇到的问题之一。当缺失比例很小时,可直接对缺失记录进行舍弃或进行手工处理。但在实际数据中,往往缺失数据占有相当的比重。这时如果手工处理非常低效,如果舍弃缺失记录,则会丢失大量信息,使不完全观测数据与完全观测数据间产生系统差异,对这样的数据进行分析,你很可能会得出错误的结论。

df.fillna(value=value)

pandas.DataFrame.fillna

DataFrame.fillna(value=Nonemethod=Noneaxis=Noneinplace=Falselimit=Nonedowncast=None)

# 仿真数据集;

import numpy as np
import pandas as pd

# 构造数据
def dataset():
    col1 = [1, 2, 3, 4, 5, 6, 7, 8, 9,10]
    col2 = [3, 1, 7, np.nan, 4, 0, 5, 7, 12, np.nan]
    col3 = [3, np.nan, np.nan, np.nan, 9, np.nan, 10, np.nan, 4, np.nan]
    y = [10, 15, 8, 12, 17, 9, 7, 14, 16, 20]
    data = {\'feature1\':col1, \'

以上是关于机器学习数据预处理之缺失值:固定值填充的主要内容,如果未能解决你的问题,请参考以下文章

机器学习数据预处理之缺失值:预测填充(回归模型填充分类模型填充)

机器学习数据预处理之缺失值:均值填充

机器学习数据预处理之缺失值:前向填充

机器学习数据预处理之缺失值:后向填充

机器学习数据预处理之缺失值:最小值最大值填充

机器学习数据预处理之缺失值:众数(mode)填充