我有来自网站的 Google Analytics(分析)数据集,我计划对其进行分析以用于项目。然而,由于维护和其他因素,有大量日期没有数据。我想估算这些数据,同时仍然保持数据的完整性,因为我计划绘制这些数据集并随着时间的推移比较不同数据集的曲线。
我想使用距离每个缺失数据点最近的有效数据点来估算该值,以保持从图像中可以看到的基础形状。
我已经尝试使用 scikit-learn 的 KNN-Imputer 和 Iterative Imputer,但我要么误解了这些 imputer 应该如何使用,要么它们不适合我想要做的事情,可能两者都有。
import pandas as pd
from sklearn.experimental import enable_iterative_imputer
from sklearn.impute import IterativeImputer
import numpy as np
df = pd.read_csv('data.csv', names=['Day','Views'],delimiter=',',skiprows=3, usecols=[0,1], skipfooter=1, engine='python', quoting= 1)
df = df.replace(0, np.nan)
da = df.Views.rename_axis('ID').values
da = da.reshape(-1,1)
imputer = IterativeImputer(n_nearest_features = 100, max_iter = 10)
df_imputed = imputer.fit_transform(da)
df_imputed.reshape(1,-1)
df.Views = df_imputed
df
所有 NaN 值的计算结果与我当前实现的值完全相同。
任何帮助将不胜感激。
最佳答案
这里的问题是我 reshape 了数组。我的数据只是一个一维值数组,因此我通过 reshape 数组将其变成二维数组,这导致所有 NaN 值的计算结果相同。当我添加索引列并将其作为输入添加到输入器时,值的计算正确。在本例中,我最终还使用了 sklearn 的 KNN 输入器,而不是迭代输入器。
关于python - Python 中 Google Analytics 数据的数据插补,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/60080848/