我正在构建一个自动清理流程，用于清理数据集中的空值。我发现了一些函数，如众数、中位数、均值，可以用来填充给定数据中的 NaN 值。但我应该选择哪一个呢？如果数据是分类的，则必须是众数或中位数，而对于连续数据，则必须是均值或中位数。因此，为了定义数据是分类数据还是连续数据，我决定制作一个机器学习分类模型。
我采用了一些功能，例如，
1)数据的标准差
2) 数据中唯一值的数量
3)数据总行数
4) 唯一总行数的比率
5) 数据最小值
6) 数据最大值
7) 中位数和第 75 个百分位数之间的数据数量
8) 中位数和第 25 个百分位数之间的数据数量
9) 75% 和上 mustache 之间的数据数量
10) 25% 和更低 mustache 之间的数据数量
11) 上须上方的数据数量
12) 下须下方的数据数量
首先，通过这 12 个特征和大约 55 个训练数据，我使用标准化形式上的逻辑回归模型来预测标签 1(连续)和 0(分类)。
有趣的是它成功了!!
但是，我做得对吗？这是预测数据性质的正确方法吗？如果我可以进一步改进，请告诉我。
最佳答案
数据分析看起来很棒。对于部分
But which one I should select?
据我测试，均值始终是赢家。对于每个数据集，我都会尝试测试所有情况并比较准确性。
有一个更好的方法，但有点耗时。如果您想推进这个系统，这会有所帮助。
对于每个缺失数据的列，找到其最近的邻居并将其替换为该值。假设您有 N 列(不包括目标)，因此对于每一列，将其视为因变量，其余 N-1 列视为独立变量。并找到其最近邻，然后其输出(因变量)就是缺失属性的期望值。
关于machine-learning - 数据科学中的连续或分类数据，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/48458086/