python培训之缺失值的解决方法

　　python缺失值的解决方法

　　解决方法

　　1、忽视元组。

　　缺少类别标签时，通常这样做(假设挖掘任务与分类有关)，除非元组有多个属性缺失值，否则该方法不太有效。当个属性缺值的百分比变化很大时，其性能特别差。

　　2、人工填写缺失值。

　　一般来说，这种方法需要很长时间，当数据集大且缺少很多值时，这种方法可能无法实现。

　　3、使用全局常量填充缺失值。

　　将缺失的属性值用同一常数(如Unknown或负)替换。如果缺失值都是用unknown替换的话，挖掘程序可能会认为形成有趣的概念。因为有同样的价值unknown。因此，这种方法很简单，但不可靠。

　　4、使用与给定元组相同类型的所有样本的属性平均值。

　　5、使用最可能的值填充缺失值。

　　可以通过回归、使用贝叶斯形式化的基于推理的工具和决策树的总结来决定。

　　实例

　　import numpy as np

　　from sklearn.preprocessing import Imputer

　　imp = Imputer(missing_values='NaN', strategy='mean', axis=0)

　　import numpy as np

　　from sklearn.preprocessing import Imputer

　　###1.使用均值填充缺失值

　　imp = Imputer(missing_values='NaN', strategy='mean', axis=0)

　　imp.fit([[1, 2], [np.nan, 3], [7, 6]])

　　X = [[np.nan, 2], [6, np.nan], [7, 6]]

　　print(imp.transform(X))

　　[[4. 2. ]

　　[6. 3.66666667]

　　[7. 6. ]]

　　以上就是python缺失值的解决方法，希望对大家有所帮助。更多Python学习指路：请关注多测师。https://www.e70w.com/xwzx/