机器学习数据预处理之缺失值：插值法填充+多项式插值
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：插值法填充+多项式插值相关的知识，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：插值法填充+多项式插值
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。
插值法又称“内插法”，是利用函数f(x)在某区间中已知的若干点的函数值，作出适当的特定函数，在区间的其他点上用这特定函数的值作为函数f(x)的近似值，这种方法称为插值法。如果这特定函数是多项式，就称它为多项式插值。
# 插值法
# 多项式插值；
以上是关于机器学习数据预处理之缺失值：插值法填充+多项式插值的主要内容，如果未能解决你的问题，请参考以下文章
数据分析缺失值处理(Missing Values)——删除法填充法插值法
缺失值处理拉格朗日插值法—随机森林算法填充—sklearn填充（均值/众数/中位数）
pandas dataframe缺失值（np.nan）处理：识别缺失情况删除0值填补均值填补中位数填补加缺失标签插值填充详解及实例