缺失值数据填充_将类别型数据中的缺失值填补为未知

处理缺失值的两种方法：

1､删除缺失值的行；
2､填充缺失值。

  如果缺失值的行占比较多，进行删除缺失值的话，将丢失大量的数据，这样得到的模型可能会很差；所以一般对缺失值的处理都是进行填充。

数据可以分以下两类：

1､数值数据；
2､分类数据；

1､填充数值数据的缺失值

对于数值数据的填充，一般使用0､均值、中位数或众数来填充。

方式一：在全体数据上进行填充
该方法是对所有数据进行填充。

# bmi特征列，使用0对缺失值进行填充
x['bmi'] = x['bmi'].fillna(0)
1
2

或者：

from sklearn.preprocessing import Imputer
# bmi特征列，使用均值对缺失值进行填充
imputer = Imputer(strategy="mean")
# 行到一个新的DataFrame
x_imputer = pd.DataFrame(imputer.fit_transform(x),columns=['bmi'])
1
2
3
4
5

方式二：使用Pipeline和Imputer
  方法一有个缺点，就是当使用均值填充时，使用的是全部数据的均值进行填充，这对模型验证时不利，因为模型已经知道了验证集的部分信息。使用Pipeline和Imputer可以有效地解决这个问题。
  Pipeline类会替我们处理大部分流程：可以恰当地从多个训练集取值并用其填充测试集的缺失值，还可以正确测试KNN的泛化能力，最终输出性能最佳的模型。

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import Imputer

# K邻近模型，knn分类器
knn = KNeighborsClassifier()
# 网络搜索参数
knn_params =  {'classify__n_neighbors':[1,2,3,4,5,6,7,8,9]}

mean_impute = Pipeline([('imputer',Imputer(strategy='mean')),('classify',knn)])
# 网络搜索模型
grid = GridSearchCV(mean_impute,knn_params)
grid.fit(x,y)

print(grid.best_score_,grid.best_params_)
1
2
3
4
5
6
7
8
9
10
11
12
13
14

2､填充分类数据的缺失值

对于分类数据的填充，一般使用分类值中出现次数最多的值来填充。