El paquete de imputer no se encuentra en la biblioteca de sklearn

El paquete de imputer no se encuentra en la biblioteca de sklearn

Descripción del problema:

no se puede importar el nombre 'Imputer' de 'sklearn.preprocessing'

causas del problema:

La clase Imputer no existe en la biblioteca sklearn

Solución uno:

La clase Imputer se elimina de la versión de sklearn por encima de 0.22, por lo que se debe usar la clase SimpleImputer en su lugar

El código de referencia de la biblioteca debe cambiarse a:

from sklearn.impute import SimpleImputer

Solución dos:

Reducir la versión 0.22 de sklearn a 0.19 (la clase Imputer existe en esta versión)

Parámetros de la clase SimpleImputer:

sklearn.impute.SimpleImputer(
		missing_values=nan,
		strategy='mean',
		fill_value=None,
		verbose=0,
		copy=True,
		add_indicator=False
)[source]

misssing_values: número, cadena, np.nan (predeterminado) o Ninguno

Marcadores de posición para valores perdidos, se calcularán todas las ocurrencias de marcadores de posición

estrategia: string, default = 'mean'

Calcular y reemplazar la estrategia:

"significa, use el promedio de la columna para reemplazar los valores perdidos. Solo se usa para datos numéricos;

"Mediana", use la mediana de la columna para reemplazar los valores perdidos. Solo para datos numéricos;

"Most_frequent", reemplace los valores faltantes con el valor más común en cada columna. Puede utilizarse para datos no numéricos;

"Constante", reemplace los valores faltantes con fill_value. Se puede utilizar para datos no numéricos.

fill_value: cadena o valor numérico, predeterminado = Ninguno

Cuando la estrategia es "constante", reemplace missing_values ​​con fil_value. Si está predeterminado, reemplace los datos numéricos con 0 y reemplace la cadena o el tipo de datos del objeto con "missing_value"

detallado: entero, predeterminado = 0

controla la verbosidad del imputador

copia: booleano, predeterminado = verdadero

Verdadero: se creará una copia de X; Falso: siempre que sea posible, se reemplazará en su lugar. Tenga en cuenta que incluso si copy = False, se creará una nueva copia:

1. X no es una matriz de valores de coma flotante;

2. El código X es una matriz CSR;

3.add_indicator = Verdadero

add_indicator: boolean, default = False

3.add_indicator = Verdadero

add_indicator: boolean, default = False

Es cierto que el MissingIndicator se superpondrá a la salida convertida por la entrada. De esta manera, incluso si se realiza la reducción de la imputación, también permitirá que el estimador predictivo describa el valor faltante. Si una característica no tiene valores perdidos durante el ajuste / entrenamiento, incluso si hay valores perdidos durante la transformación / tes, la característica no aparecerá en el indicador faltante.