使用SciKit Imputer处理机器学习训练数据集中的缺失数据
通常情况下，您会在数据科学（机器学习）项目中遇到一个数据集，其中至少有一列中缺少数据。在某些情况下，您可以通过将其从数据集中取出来忽略该行。但事实并非如此。有时候，这一行对于训练来说至关重要，可能是因为数据集本身非常小而且您不能丢失任何行，或者它可能包含一些重要数据，或者出于其他原因。
在这种情况下，一个非常重要的问题是，你如何填补空白？有许多方法可以解决这个问题，其中一种方法是使用SciKit的Imputer类。
从SciKit文档中可以看出，Imputer类的构造函数接受了一些参数。让我们了解这些是什么：
missing_values - 这是必须在数据集中替换的值。这可以是整数，也可以是NaN。如果未传递此值，则NaN将是默认值。因此，只要我们在数据集中有NaN，Imputer对象就会用新值替换它。
strategy - 这是我们将用于计算必须替换数据集中的NaN事件的值的策略。我们可以使用三种不同的策略：
- 均值
- 中位数
- most_frequent
“mean（均值）”是此处的默认值。在所有三种情况下，将计算所需的值并替换旧值。
- axis - 这可以取两个值中的一个 - 0和1.这将决定Imputer是沿着行还是沿着列应用策略。列为0，行为1。
- verbose - 这只会决定Imputer的详细程度。默认情况下，它设置为0。
- copy - 这将决定是否必须创建原始对象的副本，或者Imputer是否应该就地更改数据集。默认情况下，它设置为True。
既然我们知道了Imputer类给我们的所有选项，那么让我们看一个例子。请考虑以下数据集：
从上图中可以看出，我们有两个'nan'，第二列和第三列各一个。我们需要计算这两个单元格的值。对于这个例子，我们将使用策略'mean'并沿着列进行输入，因为沿行输入在这里没有任何意义。Python代码如下：
from sklearn.preprocessing import Imputer
imputer = Imputer(missing_values = 'NaN', strategy = 'mean', axis = 0)
imputer = imputer.fit(X[:, 1:3])
X[:, 1:3] = imputer.transform(X[:, 1:3])
现在，如果您查看存储在X中的数据集，您将看到这两个值已被其各自列中所有值的平均值替换：
这就是你如何轻松处理数据集中缺失数据的方法。