标签：
reference : http://www.cnblogs.com/chaosimple/p/4153158.html
在sklearn的preprocessing包中包含了对数据集中缺失值的处理，主要是应用Imputer类进行处理。
首先需要说明的是，numpy的数组中可以使用np.nan/np.NaN（Not A Number）来代替缺失值，对于数组中是否存在nan可以使用np.isnan()来判定。
使用type(np.nan)或者type(np.NaN)可以发现改值其实属于float类型，代码如下：
|
1
2
3
4
5
6
7
8
|
>>> type(np.NaN)<type ‘float‘>>>> type(np.nan)<type ‘float‘>>>> np.NaNnan>>> np.nannan |
因此，如果要进行处理的数据集中包含缺失值一般步骤如下：
1、使用字符串‘nan‘来代替数据集中的缺失值；
2、将该数据集转换为浮点型便可以得到包含np.nan的数据集；
3、使用sklearn.preprocessing.Imputer类来处理使用np.nan对缺失值进行编码过的数据集。
代码如下：
|
1
2
3
4
5
6
7
8
9
10
|
>>> from sklearn.preprocessing import Imputer>>> imp = Imputer(missing_values=‘NaN‘, strategy=‘mean‘, axis=0)>>> X=np.array([[1, 2], [np.nan, 3], [7, 6]])>>> Y=[[np.nan, 2], [6, np.nan], [7, 6]]>>> imp.fit(X)Imputer(axis=0, copy=True, missing_values=‘NaN‘, strategy=‘mean‘, verbose=0)>>> imp.transform(Y)array([[ 4. , 2. ], [ 6. , 3.66666667], [ 7. , 6. ]]) |
上述代码使用数组X去“训练”一个Imputer类，然后用该类的对象去处理数组Y中的缺失值，缺失值的处理方式是使用X中的均值（axis=0表示按列进行）代替Y中的缺失值。
当然也可以使用imp对象来对X数组本身进行处理。
通常，我们的数据都保存在文件中，也不一定都是Numpy数组生成的，因此缺失值可能不一定是使用nan来编码的，对于这种情况可以参考以下代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
|
>>> line=‘1,?‘>>> line=line.replace(‘,?‘,‘,nan‘)>>> line‘1,nan‘>>> Z=line.split(‘,‘)>>> Z[‘1‘, ‘nan‘]>>> Z=np.array(Z,dtype=float)>>> Zarray([ 1., nan])>>> imp.transform(Z)array([[ 1. , 3.66666667]]) |
上述代码line模拟从文件中读取出来的一行数据，使用nan来代替原始数据中的缺失值编码，将其转换为浮点型，然后使用X中的均值填补Z中的缺失值。
[Scikit-Learn] - 数据预处理 - 缺失值（Missing Value）处理
标签：
原文地址：http://www.cnblogs.com/viviancc/p/4199473.html
