python - 有没有办法在机器学习中估算缺失值？

Question

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？

Answer 1

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