Python - SkLearn Imputer 用法
Posted
技术标签:
【中文标题】Python - SkLearn Imputer 用法【英文标题】:Python - SkLearn Imputer usage 【发布时间】:2016-11-04 03:44:51 【问题描述】:我有以下问题:我有一个 pandas 数据框,其中缺失值由字符串 na
标记。我想在其上运行 Imputer 以用列中的平均值替换缺失值。根据 sklearn 文档,参数 missing_values
应该可以帮助我解决这个问题:
missing_values:整数或“NaN”,可选(默认=“NaN”) 缺失值的占位符。所有出现的缺失值 将被估算。对于编码为 np.nan 的缺失值,请使用字符串 值“NaN”。
在我的理解中,这意味着,如果我写了
df = pd.read_csv(filename)
imp = Imputer(missing_values='na')
imp.fit_transform(df)
这意味着 imputer 将数据框中的任何内容替换为 na
值和列的平均值。然而,相反,我得到一个错误:
ValueError: could not convert string to float: na
我误解了什么?这不是 imputer 应该如何工作的吗?那么如何用平均值替换na
字符串呢?我应该只使用 lambda 吗?
谢谢!
【问题讨论】:
【参考方案1】:既然你说你想用列的平均值替换这些'na'
,我猜非缺失值确实是浮点数。问题是 pandas 不会将字符串 'na'
识别为缺失值,因此读取 dtype 为 object
的列而不是 float
的某种风格。
例如,考虑以下.csv
文件:
test.csv
col1,col2
1.0,1.0
2.0,2.0
3.0,3.0
na,4.0
5.0,5.0
通过简单的导入df = pd.read_csv('test.csv')
,df.dtypes
告诉我们col1
的dtype 为object
,而col2
的dtype 为float64
。但是如何取一堆对象的平均值呢?
解决方案是告诉pd.read_csv()
将字符串'na'
解释为缺失值:
df = pd.read_csv('test.csv', na_values='na')
生成的数据框有两列 dtype float64
,您现在可以使用您的 imputer。
【讨论】:
【参考方案2】:这是我收到的错误
IndexError:将来,0-d 布尔数组将被解释为有效的布尔索引
就我而言,我遇到了“中值”策略的问题,将其更改为 mean 或 most_frequent 有效。
【讨论】:
【参考方案3】:首先导入 pandas
,然后读取your_file_name.csv
。并且 iloc
被定义为 pandas.DataFrame.iloc 并且是基于 purley 整数的索引,用于按位置进行定位。这里的格式是iloc[for row index , for column index]
其中a,b,c,d是整数ab,c,d也可以为空
import pandas as pd
dataSet = pd.read_csv('your_file_name.csv')
X = dataSet.iloc[ a:b , c:d].values
如果你在没有 .values 的情况下使用,那么你将无法将其用于 imputer 进行转换
在这里导入 Imputer
后定义你的Imputer
参数missing_values
=
“要替换的数据中的缺失值”,strategy ="mean"
(还有两个
它遵循的策略是中位数,最常发生在
您的 dataSet 但默认值是 mean 。然后设置axis =(0代表列,1代表行),其他是复制和详细)你可以阅读更多关于它的内容
from sklearn.preprocessing import Imputer
i = Imputer(missing_values="NaN", strategy="mean", axis=0)
将数据拟合到您定义的 Imputer 方式中,然后使用 transform 方法对其进行转换。这将返回 datatype = object 的数组
i = i.fit(X[a:b, c:d])
X[a:b, c:d ] = i.transform(X[a:b,c:d])
请记住,您选择的列显示仅包含浮点或整数类型值,否则可能会显示错误无法将字符串转换为浮点数
【讨论】:
【参考方案4】:这里有几点需要注意。
确保您没有在类型“对象”或分类变量上进行估算,您可以像这样查看您的数据:
df = pd.read_csv(filename)
print(df.info(null_counts=True))
最后一列应该是类型
我们来看一个例子:
df = pd.DataFrame('A' : [1, 2, 2, 2, 'NaN', 3, 4, 5, 6], 'B' : [3, 3, 'NaN', 3, 3, 4, 3, 3, 3])
输出:
df.head()
A B
---------
0 1 3
1 2 3
2 2 NaN
3 2 3
4 NaN 3
现在让我们看看类型
df.info(null_counts=True)
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 9 entries, 0 to 8
Data columns (total 2 columns):
0 9 non-null float64
1 9 non-null float64
dtypes: float64(2)
memory usage: 224.0 bytes
现在估算:
from sklearn.preprocessing import Imputer
imputer = Imputer(missing_values='NaN', strategy='most_frequent', axis=0)
df_imputed = pd.DataFrame(imputer.fit_transform(df))
df_imputed.head()
0 1
-----------
0 1.0 3.0
1 2.0 3.0
2 2.0 3.0
3 2.0 3.0
4 2.0 3.0
现在这一切都很好,但不能在分类(类型对象/字符串)上完成
处理它的一种方法是将分类特征更改为数字,如下所示:
df_with_cat = pd.DataFrame('A': ['ios', 'android', 'web', 'NaN'], 'B' : [4, 4, 'NaN', 2])
df_with_cat.head()
A B
-------------
0 ios 4
1 android 4
2 web NaN
3 NaN 2
还有信息
df_with_cat.info(null_counts=True)
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4 entries, 0 to 3
Data columns (total 2 columns):
A 4 non-null object
B 4 non-null object
dtypes: object(2)
memory usage: 144.0+ bytes
我们确定 B 是数字所以,让我们这样做:
df_with_cat['B'] = df_with_cat['B'].astype(np.float)
df_with_cat.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4 entries, 0 to 3
Data columns (total 2 columns):
A 4 non-null object
B 3 non-null float64
dtypes: float64(1), object(1)
memory usage: 144.0+ bytes
如果我们使用上面相同的 imputer,我们会得到一个错误(你可以试试)
现在让我们将“A”类别转换为数字:
CATEGORICAL_FEATURES = [
'A',
]
data_dum = pd.get_dummies(df_with_cat, columns=['A'], drop_first=True)
data_dum.head()
B A_android A_ios A_web
---------------------------------
0 4 0 1 0
1 4 1 0 0
2 NaN 0 0 1
3 2 0 0 0
现在我们可以在我们的数据框上从上面运行相同的 Imputer
【讨论】:
以上是关于Python - SkLearn Imputer 用法的主要内容,如果未能解决你的问题,请参考以下文章
使用sklearn中preprocessing.Imputer实现对缺失值的处理