七星海 发表于 2023-12-22 16:56:30

【scikit-learn基础】--『预处理』之 缺失值处理

数据的预处理是数据分析,或者机器学习训练前的重要步骤。
通过数据预处理,可以

[*]提高数据质量,处理数据的缺失值、异常值和重复值等问题,增加数据的准确性和可靠性
[*]整合不同数据,数据的来源和结构可能多种多样,分析和训练前要整合成一个数据集
[*]提高数据性能,对数据的值进行变换,规约等(比如无量纲化),让算法更加高效
本篇介绍的缺失值处理,是数据预处理中非常重要的一步,因为很多机器学习算法都假设数据是完整的,算法的执行过程中没有考虑缺失值的影响。
所以,为了提高数据质量、改进数据分析结果、提高数据挖掘和机器学习的效果,缺失值处理必不可少。
1. 原理

处理缺失值的手段大致有4类:

[*]删除存在缺失值数据行
[*]填充缺失值
[*]不处理缺失值
[*]用深度学习方法处理
1.1. 删除缺失值数据

删除缺失值是最简单的一种处理方式,不过,在某些情况下,这可能会导致数据的大量丢失。
如果数据丢失过多,可能会改变数据的分布,影响模型的准确性。
所以,只有在缺失值占比很小的情况下,才会考虑使用这种处理方式。
删除缺失值用pandas库的方法即可,比如:
import pandas as pd

df = pd.util.testing.makeMissingDataframe()
print("删除前: {} 行".format(len(df)))

df = df.dropna()
print("删除后: {} 行".format(len(df)))

# 运行结果
删除前: 30 行
删除后: 19 行1.2. 填充缺失值

直接删除存在缺失值的数据行虽然简单,但是在实际应用中,使用的并不多。
实际情况下,使用最多的还是填充缺失值。
scikit-learn库中,填充缺失值的方式主要有:
1.2.1. 均值填充

均值填充就是用缺失值所在列的平均值来填充缺失值。
from sklearn.impute import SimpleImputer

data = np.array([, , ])
print("均值填充前:\n{}".format(data))

imp = SimpleImputer(missing_values=np.nan, strategy="mean")
data = imp.fit_transform(data)
print("均值填充后:\n{}".format(data))

# 运行结果
均值填充前:
[[ 1.2.3.]
[ 4. nan6.]
[ 7.8. nan]]
均值填充后:
[

]填充的5和4.5分别是第二列和第三列的平均值。
1.2.2. 中位数填充

中位数填充就是用缺失值所在列的中位数来填充缺失值。
from sklearn.impute import SimpleImputer

data = np.array([, , , ])
print("中位数填充前:\n{}".format(data))

imp = SimpleImputer(missing_values=np.nan, strategy="median")
data = imp.fit_transform(data)
print("中位数填充后:\n{}".format(data))

# 运行结果
中位数填充前:
[[ 1.2.3.]
[ 4. nan6.]
[ 7.8. nan]
]
中位数填充后:
[[ 1.2.3.]
[ 4.8.6.]
[ 7.8.6.]
]填充的8和6分别是第二列和第三列的中位数。
1.2.3. 众数填充

众数填充就是用缺失值所在列的众数数来填充缺失值。
from sklearn.impute import SimpleImputer

data = np.array([, , , ])
print("众数填充前:\n{}".format(data))

imp = SimpleImputer(missing_values=np.nan, strategy="most_frequent")
data = imp.fit_transform(data)
print("众数填充后:\n{}".format(data))

# 运行结果
众数填充前:
[[ 1.2.3.]
[ 4. nan6.]
[ 7.8. nan]
]
众数填充后:
[[ 1.2.3.]
[ 4.8.6.]
[ 7.8.3.]
]填充的8和3分别是第二列和第三列的众数。
1.2.4. 常量填充

常量填充就是用指定的常量来填充缺失值。
from sklearn.impute import SimpleImputer

data = np.array([, , ])
print("常量填充前:\n{}".format(data))

imp = SimpleImputer(missing_values=np.nan, fill_value=100, strategy="constant")
data = imp.fit_transform(data)
print("常量填充后:\n{}".format(data))

# 运行结果
常量填充前:
[[ 1.2.3.]
[ 4. nan6.]
[ 7.8. nan]]
常量填充后:
[

]缺失值用常量100填充了。
1.2.5. 插值填充

插值填充就是使用线性插值或多项式插值等方法,基于已知的数据点估计缺失值。
from sklearn.experimental import enable_iterative_imputer
from sklearn.impute import IterativeImputer

data = np.array([, , ])
print("插值填充前:\n{}".format(data))

imp = IterativeImputer(max_iter=10, random_state=0)
data = imp.fit_transform(data)
print("插值填充后:\n{}".format(data))

# 运行结果
插值填充前:
[[ 1.2.3.]
[ 4. nan6.]
[ 7.8. nan]]
插值填充后:
[

]1.2.6. K近邻填充

K近邻填充就是利用K近邻算法,找到与缺失值最近的K个数据点,用它们的值的平均数或中位数来填充缺失值。
from sklearn.impute import KNNImputer

data = np.array([, , , ])
print("K近邻填充前:\n{}".format(data))

imp = KNNImputer(n_neighbors=2)
data = imp.fit_transform(data)
print("K近邻填充后:\n{}".format(data))

# 运行结果
K近邻填充前:
[[ 1.2.3.]
[ 4. nan6.]
[ 7.8. nan]
]
K近邻填充后:
[[ 1.2.3.]
[ 4.5.6.]
[ 7.8.9.]
]2. 作用

缺失值处理的主要作用包括:

[*]提高数据完整性和准确性:如果数据中存在缺失值,可能会影响分析的准确性,甚至导致错误的结论。因此,通过填补缺失值,我们可以确保数据的完整性和准确性。
[*]提升数据质量:缺失值可能会降低数据的质量,使得数据分析变得更为困难。通过处理缺失值,我们可以提升数据的质量,使得分析结果更加可靠。
[*]提高算法性能:许多机器学习和数据挖掘算法在处理不完整数据时性能会下降。处理缺失值可以使得这些算法更好地运行,提高其性能。
[*]减少信息丢失:在某些情况下,缺失值可能代表着某些信息的丢失。通过对这些缺失值进行处理,我们可以尽量减少信息丢失的数量。
[*]消除或减少噪声:缺失值的存在可能会引入数据中的噪声,这种噪声可能会对数据分析产生干扰,甚至影响模型的训练效果。通过填补这些缺失值,我们可以消除或减少这种噪声。
3. 总结

在选择处理缺失值的方法时,需要考虑数据的性质、缺失值的比例、数据的分布以及具体的分析任务等因素。
同时,不同的方法可能适用于不同的场景,需要结合具体情况进行选择。

来源:https://www.cnblogs.com/wang_yb/p/17921351.html
免责声明:由于采集信息均来自互联网,如果侵犯了您的权益,请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容,谢谢合作!
页: [1]
查看完整版本: 【scikit-learn基础】--『预处理』之 缺失值处理