溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要介紹如何解決python缺失值的問題，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！
1、解決方法
（1）忽視元組。
缺少類別標簽時，通常這樣做(假設挖掘任務與分類有關)，除非元組有多個屬性缺失值，否則該方法不太有效。當個屬性缺值的百分比變化很大時，其性能特別差。
（2）人工填寫缺失值。
一般來說，這種方法需要很長時間，當數據集大且缺少很多值時，這種方法可能無法實現。
（3）使用全局常量填充缺失值。
將缺失的屬性值用同一常數(如Unknown或負無限)替換。如果缺失值都是用unknown替換的話，挖掘程序可能會認為形成有趣的概念。因為有同樣的價值unknown。因此，這種方法很簡單，但不可靠。
（4）使用與給定元組相同類型的所有樣本的屬性平均值。
（5）使用最可能的值填充缺失值。
可以通過回歸、使用貝葉斯形式化的基于推理的工具和決策樹的總結來決定。
2、實例
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. ]]
以上是“如何解決python缺失值的問題”這篇文章的所有內容，感謝各位的閱讀！希望分享的內容對大家有幫助，更多相關知識，歡迎關注億速云行業資訊頻道！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
