就个人知识而言,我一直在尝试均值/中值/众数以外的不同插补方法。到目前为止,我能够尝试 KNN、MICE、中值插补方法。有人告诉我,也可以通过聚类方法进行插补,我在互联网上搜索了一个只提供研究论文的软件包。
我通过故意在其中创建缺失值(因为 Iris 没有缺失值)在 Iris 数据集上运行这些插补方法。我对其他方法的做法如下:
data = pd.read_csv("D:/Iris_classification/train.csv")
#Shuffle the data and reset the index
from sklearn.utils import shuffle
data = shuffle(data).reset_index(drop = True)
#Create Independent and dependent matrices
X = data.iloc[:, [0, 1, 2, 3]].values
y = data.iloc[:, 4].values
#train_test_split
from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 50, random_state = 0)
#Standardize the data
from sklearn.preprocessing import StandardScaler
sc_X = StandardScaler()
X_train = sc_X.fit_transform(X_train)
X_test = sc_X.transform(X_test)
#Impute missing values at random
prop = int(X_train.size * 0.5) #Set the % of values to be replaced
prop1 = int(X_test.size * 0.5)
a = [random.choice(range(X_train.shape[0])) for _ in range(prop)] #Randomly choose indices of the numpy array
b = [random.choice(range(X_train.shape[1])) for _ in range(prop)]
X1_train[a, b] = np.NaN
X1_test[c, d] = np.NaN
然后对于 KNN 插补,我已经完成了
X_train_filled = KNN(3).complete(X_train)
X_test_filled = KNN(3).complete(X_test
有没有办法通过聚类方法来估算缺失值? 此外,当其中包含 NaN 值时,StandardScaler() 不起作用。有没有其他方法可以标准化数据?
最佳答案
我们必须处理的主要问题是您丢失了一些数据。
首先,我需要告诉你,删除“问题”行可能非常危险,因为它们可能包含重要信息。
Is there a way to impute missing values by clustering?
是的,您可以用列中所有值的平均值替换缺失的数据。
您可以使用 sklearn.preprocessing
库中的 Inputer
类来执行此操作。
from sklearn.preprocessing import Imputer
inputer = Inputer(missing_values = 'NaN', strategy = 'mean', axis = 0)
inputer = inputer.fit(X)
X = inputer.transform(X)
您必须在“创建独立和相关矩阵”之后、缩放和其他之前立即使用此方法。
我在下面为您创建了一个简单示例,以向您展示它是如何工作的:
之前
之后
关于python - 有没有办法在机器学习中估算缺失值?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/49854629/