料理のコースに合わせて整理されており、覚えやすく理解しやすい
コードの場所は次のとおりです。
不足している値
データ前処理の非常に重要な部分は、欠落値の処理です
# 处理缺失值impute.SimpleImputer
import pandas as pd
data = pd.read_csv("Narrativedata.csv",index_col = 0)
data.head()
# 我们通过info()可以观察到 Age 和 Embarked的存在缺失值
data.info()
"""
<class 'pandas.core.frame.DataFrame'>
Int64Index: 891 entries, 0 to 890
Data columns (total 4 columns):
Age 714 non-null float64
Sex 891 non-null object
Embarked 889 non-null object
Survived 891 non-null object
dtypes: float64(1), object(3)
memory usage: 34.8+ KB
"""
复制代码
ここでは、タイタニックから抽出されたデータを使用します。これは、1つの数字、2つの文字の3つの特徴を持ち、ラベルも文字です。ここからは、このデータを例として使用し、sklearnでのデータ前処理のさまざまな方法を徐々に理解できるようにします。
impute.SimpleImputer
クラスsklearn.impute.SimpleImputer(
missing_values
= nan、strategy
='mean'、fill_value
= None、verbose = 0、copy = True)
パラメータ
パラメータ | 意味と入力 |
---|---|
missing_values | SimpleImputerに、データに欠落している値がどのように見えるかを伝えます。デフォルトはnull値np.nanです。 |
ストラテジー | 欠測値を代入するための戦略、デフォルトは平均。「mean」と入力して平均値を入力(数値機能でのみ使用可能)「median」と入力して中央値で入力(数値機能でのみ使用可能)「most_frequent」と入力してモードで入力(数値機能と文字機能の両方で使用可能)「constant」と入力「は、パラメータ「fill_value」の値を参照してください(数値機能と文字機能の両方で使用可能)を意味します |
fill_value | パラメータstartegyが「定数」の場合に使用可能で、入力する値を示す文字列または数値を入力できます。通常は0です。 |
コピー | デフォルトはTrueで、これは機能マトリックスのコピーを作成します。それ以外の場合は、欠落している値を元の機能マトリックスに埋めます。 |
- 入力データは2次元である必要があり、reshape(-1,1)は次元を増やします
# 在这reshape的目的是因为我们的fit必须是二维的数据
age = data.loc[:,"Age"].values.reshape(-1,1)
age[:20]
"""
array([[22.],
[38.],
[26.],
[35.],
[35.],
[nan],
[54.],
[ 2.],
[27.],
[14.],
[ 4.],
[58.],
[20.],
[39.],
[14.],
[55.],
[ 2.],
[nan],
[31.],
[nan]])
"""
复制代码
- 0、中央値、平均値のパディング
from sklearn.impute import SimpleImputer
imp_mean = SimpleImputer() # 默认使用平均值进行填补
imp_median = SimpleImputer(strategy="median") # 中值填补
imp_0 = SimpleImputer(strategy="constant",fill_value=0) # 使用常数0进行填补
imp_mean = imp_mean.fit_transform(age)
imp_median = imp_median.fit_transform(age)
imp_0 = imp_0.fit_transform(age)
imp_mean[:20]
"""
array([[22. ],
[38. ],
[26. ],
[35. ],
[35. ],
[29.69911765],
[54. ],
[ 2. ],
[27. ],
[14. ],
[ 4. ],
[58. ],
[20. ],
[39. ],
[14. ],
[55. ],
[ 2. ],
[29.69911765],
[31. ],
[29.69911765]])
"""
# 数据不进行展示了
imp_median[:20]
imp_0[:20]
复制代码
- 埋める
# 进行填补
data.loc[:,"Age"] = imp_median
data.info()
复制代码
- モードで開始された塗りつぶし
# 使用众数填充Embarked
Embarked = data.loc[:,"Embarked"].values.reshape(-1,1)
imp_mode = SimpleImputer(strategy = "most_frequent")
data.loc[:,"Embarked"] = imp_mode.fit_transform(Embarked)
data.info()
复制代码
パンダとナンピーでパディングするのは実際には簡単です
- 主にfill_naとdrop_naを使用します
# 我们可以使用pandas和numpy对数据进行填充
import pandas as pd
data = pd.read_csv("Narrativedata.csv",index_col = 0)
data.head()
# 使用fillna平均值进行填充Age
data.loc[:,"Age"] = data.loc[:,"Age"].fillna(data.loc[:,"Age"].mean())
#.dropna(axis=0)删除所有有缺失值的行,.dropna(axis=1)删除所有有缺失值的列
data.dropna(axis=0,inplace=True)
data.info()
复制代码