<kbd id="afajh"><form id="afajh"></form></kbd>
<strong id="afajh"><dl id="afajh"></dl></strong>
    <del id="afajh"><form id="afajh"></form></del>
        1. <th id="afajh"><progress id="afajh"></progress></th>
          <b id="afajh"><abbr id="afajh"></abbr></b>
          <th id="afajh"><progress id="afajh"></progress></th>

          機器學(xué)習(xí)基礎(chǔ):缺失值的處理技巧(附Python代碼)

          共 3976字,需瀏覽 8分鐘

           ·

          2020-09-12 02:34



          在數(shù)據(jù)分析和建模中,經(jīng)常會遇到變量值缺失的情況,這是非常常見的。為了保證數(shù)據(jù)指標(biāo)的完整性以及可利用性,通常我們會采取特殊的方式對其進行處理。

          1、缺失查看

          首先,需要查看缺失值的缺失數(shù)量以及比例(#數(shù)據(jù)使用的kaggle平臺上預(yù)測房價的數(shù)據(jù))
          import pandas as pd
          # 統(tǒng)計缺失值數(shù)量missing=data.isnull().sum().reset_index().rename(columns={0:'missNum'})# 計算缺失比例missing['missRate']=missing['missNum']/data.shape[0]# 按照缺失率排序顯示miss_analy=missing[missing.missRate>0].sort_values(by='missRate',ascending=False)# miss_analy 存儲的是每個變量缺失情況的數(shù)據(jù)框
          柱形圖可視化
          import matplotlib.pyplot as pltimport pylab as pl
          fig = plt.figure(figsize=(18,6))plt.bar(np.arange(miss_analy.shape[0]), list(miss_analy.missRate.values), align = 'center',color=['red','green','yellow','steelblue'])
          plt.title('Histogram of missing value of variables')plt.xlabel('variables names')plt.ylabel('missing rate')# 添加x軸標(biāo)簽,并旋轉(zhuǎn)90度plt.xticks(np.arange(miss_analy.shape[0]),list(miss_analy['index']))pl.xticks(rotation=90)# 添加數(shù)值顯示for x,y in enumerate(list(miss_analy.missRate.values)): plt.text(x,y+0.12,'{:.2%}'.format(y),ha='center',rotation=90) plt.ylim([0,1.2])
          plt.show()
          這樣的統(tǒng)計計算以及可視化基本已經(jīng)看出哪些變量缺失,以及缺失比例情況,對數(shù)據(jù)即有個缺失概況。下面將對缺失變量進行相應(yīng)處理。

          2、缺失處理

          方式1:刪除

          直接去除含有缺失值的記錄,這種處理方式是簡單粗暴的,適用于數(shù)據(jù)量較大(記錄較多)且缺失比較較小的情形,去掉后對總體影響不大。一般不建議這樣做,因為很可能會造成數(shù)據(jù)丟失、數(shù)據(jù)偏移。
          func: df.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)
          # 1、刪除‘a(chǎn)ge’列df.drop('age', axis=1, inplace=True)
          # 2、刪除數(shù)據(jù)表中含有空值的行df.dropna()
          # 3、丟棄某幾列有缺失值的行df.dropna(axis=0, subset=['a','b'], inplace=True)
          直接去除缺失變量,基于第一步我們已經(jīng)知道每個變量的缺失比例,如果一個變量的缺失比例過高,基本也就失去了預(yù)測意義,這樣的變量我們可以嘗試把它直接去掉。
          # 去掉缺失比例大于80%以上的變量data=data.dropna(thresh=len(data)*0.2, axis=1)

          方式2:常量填充

          在進行缺失值填充之前,我們要先對缺失的變量進行業(yè)務(wù)上的了解,即變量的含義、獲取方式、計算邏輯,以便知道該變量為什么會出現(xiàn)缺失值、缺失值代表什么含義。比如,‘a(chǎn)ge’ 年齡缺失,每個人均有年齡,缺失應(yīng)該為隨機的缺失,‘loanNum’貸款筆數(shù),缺失可能代表無貸款,是有實在意義的缺失。
          全局常量填充:可以用0,均值、中位數(shù)、眾數(shù)等填充。
          平均值適用于近似正態(tài)分布數(shù)據(jù),觀測值較為均勻散布均值周圍;中位數(shù)適用于偏態(tài)分布或者有離群點數(shù)據(jù),中位數(shù)是更好地代表數(shù)據(jù)中心趨勢;眾數(shù)一般用于類別變量,無大小、先后順序之分。
          # 均值填充data['col'] = data['col'].fillna(data['col'].means())# 中位數(shù)填充data['col'] = data['col'].fillna(data['col'].median())# 眾數(shù)填充data['col'] = data['col'].fillna(stats.mode(data['col'])[0][0])
          也可以借助Imputer類處理缺失:
          from sklearn.preprocessing import Imputerimr = Imputer(missing_values='NaN', strategy='mean', axis=0)imputed_data =pd.DataFrame(imr.fit_transform(df.values),columns=df.columns)imputed_data

          方式3:插值填充

          采用某種插入模式進行填充,比如取缺失值前后值的均值進行填充:
          # interpolate()插值法,缺失值前后數(shù)值的均值,但是若缺失值前后也存在缺失,則不進行計算插補。df['a'] = df['a'].interpolate()
          # 用前面的值替換, 當(dāng)?shù)谝恍杏腥笔е禃r,該行利用向前替換無值可取,仍缺失df.fillna(method='pad')
          # 用后面的值替換,當(dāng)最后一行有缺失值時,該行利用向后替換無值可取,仍缺失df.fillna(method='backfill')#用后面的值替換

          方式4:KNN填充

          利用knn算法填充,其實是把目標(biāo)列當(dāng)做目標(biāo)標(biāo)量,利用非缺失的數(shù)據(jù)進行knn算法擬合,最后對目標(biāo)列缺失進行預(yù)測。(對于連續(xù)特征一般是加權(quán)平均,對于離散特征一般是加權(quán)投票)
          fancyimpute 類
          from fancyimpute import KNNfill_knn = KNN(k=3).fit_transform(data)data = pd.DataFrame(fill_knn)
          sklearn類
          from sklearn.neighbors import KNeighborsClassifier, KNeighborsRegressor
          def knn_filled_func(x_train, y_train, test, k = 3, dispersed = True): # params: x_train 為目標(biāo)列不含缺失值的數(shù)據(jù)(不包括目標(biāo)列) # params: y_train 為不含缺失值的目標(biāo)列 # params: test 為目標(biāo)列為缺失值的數(shù)據(jù)(不包括目標(biāo)列) if dispersed: knn= KNeighborsClassifier(n_neighbors = k, weights = "distance") else: knn= KNeighborsRegressor(n_neighbors = k, weights = "distance")
          knn.fit(x_train, y_train) return test.index, knn.predict(test)

          方式5:隨機森林填充

          隨機森林算法填充的思想和knn填充是類似的,即利用已有數(shù)據(jù)擬合模型,對缺失變量進行預(yù)測。
          from sklearn.ensemble import RandomForestRegressor, RandomForestClassifier
          def knn_filled_func(x_train, y_train, test, k = 3, dispersed = True): # params: x_train 為目標(biāo)列不含缺失值的數(shù)據(jù)(不包括目標(biāo)列) # params: y_train 為不含缺失值的目標(biāo)列 # params: test 為目標(biāo)列為缺失值的數(shù)據(jù)(不包括目標(biāo)列) if dispersed: rf= RandomForestRegressor() else: rf= RandomForestClassifier()
          rf.fit(x_train, y_train) return test.index, rf.predict(test)

          3、缺失衍生

          有時候,可以根據(jù)某個字段是否缺失,進行新變量的衍生,比如,"信用卡數(shù)量",若該字段缺失,代表'無信用卡',則可以根據(jù)"信用卡數(shù)量"是否缺失衍生'有無信用卡'字段,這種衍生很可能是很有效果的。

          4、總結(jié)

          總之,處理缺失值是需要研究數(shù)據(jù)規(guī)律與缺失情況來進行處理的,復(fù)雜的算法不一定有好的效果,因此,還要具體問題具體分析,尤其是要搞明白字段含義以及缺失意義,這往往容易被忽略。個人經(jīng)驗,數(shù)據(jù)處理需要去探索,沒有一成不變的萬全之策。
          作者:星星之火
          https://zhuanlan.zhihu.com/p/98007066

          - 完 -
          瀏覽 56
          點贊
          評論
          收藏
          分享

          手機掃一掃分享

          分享
          舉報
          評論
          圖片
          表情
          推薦
          點贊
          評論
          收藏
          分享

          手機掃一掃分享

          分享
          舉報
          <kbd id="afajh"><form id="afajh"></form></kbd>
          <strong id="afajh"><dl id="afajh"></dl></strong>
            <del id="afajh"><form id="afajh"></form></del>
                1. <th id="afajh"><progress id="afajh"></progress></th>
                  <b id="afajh"><abbr id="afajh"></abbr></b>
                  <th id="afajh"><progress id="afajh"></progress></th>
                  可以看美女操逼视频的网站 | 小蔡头喵喵喵-新年小奶牛 | 日韩高清无码123 | 中文字幕一区二区三区乱码 | 亚洲大香 |