【原】关于使用Sklearn进行数据预处理 —— 缺失值（Missing Value）处理-白红宇

【原】关于使用Sklearn进行数据预处理 —— 缺失值（Missing Value）处理

阅读量：7227 次

发布时间：2019-06-29

本文共 1427 字，大约阅读时间需要 4 分钟。

关于缺失值（missing value）的处理

在sklearn的preprocessing包中包含了对数据集中缺失值的处理，主要是应用Imputer类进行处理。

首先需要说明的是，numpy的数组中可以使用np.nan/np.NaN（Not A Number）来代替缺失值，对于数组中是否存在nan可以使用np.isnan()来判定。

使用type(np.nan)或者type(np.NaN)可以发现改值其实属于float类型，代码如下：

                         
>>> 
type
(np.NaN)
<
type
'float'
>
>>> 
type
(np.nan)
<
type
'float'
>
>>> np.NaN
nan
>>> np.nan
nan
        
      

因此，如果要进行处理的数据集中包含缺失值一般步骤如下：

1、使用字符串'nan'来代替数据集中的缺失值；

2、将该数据集转换为浮点型便可以得到包含np.nan的数据集；

3、使用sklearn.preprocessing.Imputer类来处理使用np.nan对缺失值进行编码过的数据集。

代码如下：

                      
>>> 
from
sklearn.preprocessing 
import
Imputer
>>> imp 
=
Imputer(missing_values
=
'NaN'
, strategy
=
'mean'
, axis
=
0
)
>>> X
=
np.array([[
1
, 
2
], [np.nan, 
3
], [
7
, 
6
]])
>>> Y
=
[[np.nan, 
2
], [
6
, np.nan], [
7
, 
6
]]
>>> imp.fit(X)
Imputer(axis
=
0
, copy
=
True
, missing_values
=
'NaN'
, strategy
=
'mean'
, verbose
=
0
)
>>> imp.transform(Y)
array([[ 
4.
,  
2.
],
       
[ 
6.
,  
3.66666667
],
       
[ 
7.
,  
6.
]])
       
     

上述代码使用数组X去“训练”一个Imputer类，然后用该类的对象去处理数组Y中的缺失值，缺失值的处理方式是使用X中的均值（axis=0表示按列进行）代替Y中的缺失值。

当然也可以使用imp对象来对X数组本身进行处理。

通常，我们的数据都保存在文件中，也不一定都是Numpy数组生成的，因此缺失值可能不一定是使用nan来编码的，对于这种情况可以参考以下代码：

                      
>>> line
=
'1,?'
>>> line
=
line.replace(
',?'
,
',nan'
)
>>> line
'1,nan'
>>> Z
=
line.split(
','
)
>>> Z
[
'1'
, 
'nan'
]
>>> Z
=
np.array(Z,dtype
=
float
)
>>> Z
array([  
1.
,  nan])
>>> imp.transform(Z)
array([[ 
1.
,  
3.66666667
]])
       
     

上述代码line模拟从文件中读取出来的一行数据，使用nan来代替原始数据中的缺失值编码，将其转换为浮点型，然后使用X中的均值填补Z中的缺失值。

转载地址：http://iudfm.baihongyu.com/

你可能感兴趣的文章