imputation

拿到的数据中，经常会有缺失值，最简单的办法当然是直接删除（pd.dropna()），但是如果仅有几个特征有缺失值的话，直接删除未免有点可惜，更好的策略是估算缺失值，即从数据的已知部分推断出缺失值。

• 单变量插补：平均值，众数等
• 多元插补算法：KNN

import numpy as np
from sklearn import impute

X = np.array([[1, 2], [np.nan, 3], [7, 6]])
print('X:\n ', X)

X:
  [[ 1.  2.]
 [nan  3.]
 [ 7.  6.]]

1 单变量插补

imp = impute.SimpleImputer(missing_values= np.nan, strategy='mean') # 单变量插补
imp.fit(X)

X_simple = imp.transform(X)
print('X_simple:\n ', X_simple)

X_simple:
  [[1. 2.]
 [4. 3.]
 [7. 6.]]

同样的策略还有：median, most_frequent, constant。如果strategy=constant，则使用fill_value参数填补定值，更多介绍请参考官方文档。

2 多变量插补

多变量插补相比稍显复杂，但原理也很简单，它将每个包含缺失值的特征建模为其他特征的函数，并将该估计值用于插补。最常用的是 KNN：

imp = impute.KNNImputer(n_neighbors=2, weights='uniform')
imp.fit(X)

X_KNN = imp.transform(X)
print('X_KNN:\n ', X_KNN)

X_KNN:
  [[1. 2.]
 [4. 3.]
 [7. 6.]]