數(shù)據(jù)科學(xué)就是關(guān)于數(shù)據(jù)的。它是任何數(shù)據(jù)科學(xué)或機(jī)器學(xué)習(xí)項(xiàng)目的關(guān)鍵。在大多數(shù)情況下，當(dāng)我們從不同的資源收集數(shù)據(jù)或從某處下載數(shù)據(jù)時(shí)，幾乎有95%的可能性我們的數(shù)據(jù)中包含缺失的值。我們不能對包含缺失值的數(shù)據(jù)進(jìn)行分析或訓(xùn)練機(jī)器學(xué)習(xí)模型。這就是為什么我們90%的時(shí)間都花在數(shù)據(jù)預(yù)處理上的主要原因。我們可以使用許多技術(shù)來處理丟失的數(shù)據(jù)。在這個(gè)文章中，我將分享處理數(shù)據(jù)缺失的9種方法，但首先讓我們看看為什么會(huì)出現(xiàn)數(shù)據(jù)缺失以及有多少類型的數(shù)據(jù)缺失。

[[349856]]

不同類型的缺失值

缺失的值主要有三種類型。

• 完全隨機(jī)缺失(MCAR):當(dāng)數(shù)據(jù)為MCAR時(shí)，如果所有觀測的缺失概率都相同，則一個(gè)變量完全隨機(jī)缺失，這意味著數(shù)據(jù)缺失與數(shù)據(jù)集中任何其他觀察到的或缺失的值完全沒有關(guān)系。換句話說，那些缺失的數(shù)據(jù)點(diǎn)是數(shù)據(jù)集的一個(gè)隨機(jī)子集。
• 丟失數(shù)據(jù)不是隨機(jī)的(MNAR):顧名思義，丟失的數(shù)據(jù)和數(shù)據(jù)集中的任何其他值之間存在某種關(guān)系。
• 隨機(jī)丟失(MAR):這意味著數(shù)據(jù)點(diǎn)丟失的傾向與丟失的數(shù)據(jù)無關(guān)，但與數(shù)據(jù)集中其他觀察到的數(shù)據(jù)有關(guān)。

數(shù)據(jù)集中缺少值的原因有很多。例如,在數(shù)據(jù)集的身高和年齡,會(huì)有更多年齡列中缺失值,因?yàn)榕⑼ǔｋ[藏他們的年齡相同的如果我們準(zhǔn)備工資的數(shù)據(jù)和經(jīng)驗(yàn),我們將有更多的薪水中的遺漏值因?yàn)榇蠖鄶?shù)男人不喜歡分享他們的薪水。在更大的情況下，比如為人口、疾病、事故死亡者準(zhǔn)備數(shù)據(jù)，納稅人記錄通常人們會(huì)猶豫是否記下信息，并隱藏真實(shí)的數(shù)字。即使您從第三方資源下載數(shù)據(jù)，仍然有可能由于下載時(shí)文件損壞而丟失值。無論原因是什么，我們的數(shù)據(jù)集中丟失了值，我們需要處理它們。讓我們看看處理缺失值的9種方法。

這里使用的也是經(jīng)典的泰坦尼克的數(shù)據(jù)集

讓我們從加載數(shù)據(jù)集并導(dǎo)入所有庫開始。

import pandas as pd 
df=pd.read_csv("data/titanic.csv",usecols=['Age','Cabin','Survived']) 
df.isnull().mean() 
df.dtypes 

運(yùn)行上述代碼塊后，您將看到Age、Cabin和裝載裝載包含空值。Age包含所有整數(shù)值，而Cabin包含所有分類值。

1、均值、中值、眾數(shù)替換

在這種技術(shù)中，我們將null值替換為列中所有值的均值/中值或眾數(shù)。

平均值(mean):所有值的平均值

def impute_nan(df,column,mean): 
    df[column+'_mean']=df[column].fillna(mean) ##NaN -> mean 
     
impute_nan(df,'Age',df.Age.mean()) ##mean of Age(29.69) 

中值(median):所有值的中心值

def impute_nan(df,column,median): 
    df[column+'_mean']=df[column].fillna(median) 
impute_nan(df,'Age',df.Age.median()) ##median of Age(28.0) 

眾數(shù)(mode):最常見的值

def impute_nan(df,column,mode): 
    df[column+'_mean']=df[column].fillna(mode) 
impute_nan(df,'Age',df.Age.mode()) ##mode of Age(24.0) 

優(yōu)點(diǎn)

• 易于實(shí)現(xiàn)(對異常值健壯)
• 獲得完整數(shù)據(jù)集的更快方法

缺點(diǎn)

• 原始方差的變化或失真
• 影響相關(guān)性
• 對于分類變量，我們需要眾數(shù)。平均值和中位數(shù)都不行。

2、隨機(jī)樣本估算

在這種技術(shù)中，我們用dataframe中的隨機(jī)樣本替換所有nan值。它被用來輸入數(shù)值數(shù)據(jù)。我們使用sample()對數(shù)據(jù)進(jìn)行采樣。在這里，我們首先取一個(gè)數(shù)據(jù)樣本來填充NaN值。然后更改索引，并將其替換為與NaN值相同的索引，最后將所有NaN值替換為一個(gè)隨機(jī)樣本。

優(yōu)點(diǎn)

• 容易實(shí)現(xiàn)
• 方差失真更小

缺點(diǎn)

• 我們不能把它應(yīng)用于每一種情況

用隨機(jī)樣本注入替換年齡列NaN值

def impute_nan(df,variable): 
    df[variable+"_random"]=df[variable] 
    ##It will have the random sample to fill the na 
    random_sample=df[variable].dropna().sample(df[variable].isnull().sum(),random_state=0) 
    ##pandas need to have same index in order to merge the dataset 
    random_sample.index=df[df[variable].isnull()].index #replace random_sample index with NaN values index 
    #replace where NaN are there 
    df.loc[df[variable].isnull(),variable+'_random']=random_sample 
    col=variable+"_random" 
    df = df.drop(col,axis=1) 
 
impute_nan(df,"Age") 

3、用新特性獲取NAN值

這種技術(shù)在數(shù)據(jù)不是完全隨機(jī)丟失的情況下最有效。在這里，我們在數(shù)據(jù)集中添加一個(gè)新列，并將所有NaN值替換為1。

優(yōu)點(diǎn)

• 容易實(shí)現(xiàn)
• 獲取了了NaN值的重要性

缺點(diǎn)

• 創(chuàng)建額外的特性(維度詛咒)

import numpy as np 
df['age_nan']=np.where(df['Age'].isnull(),1,0) 
## It will create one new column that contains value 1 in the rows where Age value is NaN, otherwise 0.  

4、End of Distribution

在這種技術(shù)中，我們用第3個(gè)標(biāo)準(zhǔn)偏差值(3rd standard deviation)替換NaN值。它還用于從數(shù)據(jù)集中刪除所有異常值。首先，我們使用std()計(jì)算第3個(gè)標(biāo)準(zhǔn)偏差，然后用該值代替NaN。優(yōu)點(diǎn)

• 容易實(shí)現(xiàn)。
• 抓住了缺失值的重要性，如果有的話。

缺點(diǎn)

• 使變量的原始分布失真。
• 如果NAN的數(shù)量很大。它將掩蓋分布中真正的異常值。
• 如果NAN的數(shù)量較小，則替換后的NAN可以被認(rèn)為是一個(gè)離群值，并在后續(xù)的特征工程中進(jìn)行預(yù)處理。

def impute_nan(df,variable,median,extreme): 
    df[variable+"_end_distribution"]=df[variable].fillna(extreme) 
     
extreme=df.Age.mean()+3*df.Age.std() ##73.27--> 3rd std deviation  
impute_nan(df,'Age',df.Age.median(),extreme) 

5、任意值替換

在這種技術(shù)中，我們將NaN值替換為任意值。任意值不應(yīng)該更頻繁地出現(xiàn)在數(shù)據(jù)集中。通常，我們選擇最小離群值或最后離群值作為任意值。

優(yōu)點(diǎn)

• 容易實(shí)現(xiàn)
• 獲取了缺失值的重要性，如果有的話

缺點(diǎn)

• 必須手動(dòng)確定值。

def impute_nan(df,var): 
    df[var+'_zero']=df[var].fillna(0) #Filling with 0(least outlier) 
    df[var+'_hundred']=df[var].fillna(100) #Filling with 100(last) 
 
impute_nan(df,'Age') 

6、頻繁類別歸責(zé)

該技術(shù)用于填充分類數(shù)據(jù)中的缺失值。在這里，我們用最常見的標(biāo)簽替換NaN值。首先，我們找到最常見的標(biāo)簽，然后用它替換NaN。

優(yōu)點(diǎn)

• 容易實(shí)現(xiàn)

缺點(diǎn)

• 由于我們使用的是更頻繁的標(biāo)簽，所以如果有很多NaN值，它可能會(huì)以一種過度表示的方式使用它們。
• 它扭曲了最常見的標(biāo)簽之間的關(guān)系。

def impute_nan(df,variable): 
    most_frequent_category=df[variable].mode()[0] ##Most Frequent 
    df[variable].fillna(most_frequent_category,inplace=True) 
     
for feature in ['Cabin']:           ##List of Categorical Features 
    impute_nan(df,feature) 

7、nan值視為一個(gè)新的分類

在這種技術(shù)中，我們只需用一個(gè)新的類別(如Missing)替換所有NaN值。

df['Cabin']=df['Cabin'].fillna('Missing') ##NaN -> Missing 

8、使用KNN填充

在這項(xiàng)技術(shù)中，我們使用sklearn創(chuàng)建一個(gè)KNN imputer模型，然后我們將該模型與我們的數(shù)據(jù)進(jìn)行擬合，并預(yù)測NaN值。它被用來計(jì)算數(shù)值。這是一個(gè)5步的過程。

• 創(chuàng)建列列表(整數(shù)、浮點(diǎn))
• 輸入估算值，確定鄰居。
• 根據(jù)數(shù)據(jù)擬合估算。
• 轉(zhuǎn)換的數(shù)據(jù)
• 使用轉(zhuǎn)換后的數(shù)據(jù)創(chuàng)建一個(gè)新的數(shù)據(jù)框架。

優(yōu)點(diǎn)

• 容易實(shí)現(xiàn)
• 結(jié)果一般情況下會(huì)最好

缺點(diǎn)

• 只適用于數(shù)值數(shù)據(jù)

我們在上篇文章中已經(jīng)有過詳細(xì)的介紹，這里就不細(xì)說了

在python中使用KNN算法處理缺失的數(shù)據(jù)

9、刪除所有NaN值

它是最容易使用和實(shí)現(xiàn)的技術(shù)之一。只有當(dāng)NaN值小于10%時(shí)，我們才應(yīng)該使用這種技術(shù)。

優(yōu)點(diǎn):

• 容易實(shí)現(xiàn)
• 快速處理

缺點(diǎn):

• 造成大量的數(shù)據(jù)丟失

df.dropna(inplace=True) ##Drop all the rows that contains NaN 

總結(jié)

還有更多處理丟失值的其他技術(shù)。我們的目標(biāo)是找到最適合我們的問題的技術(shù)，然后實(shí)施它。處理丟失的值總是一個(gè)更好的主意，但有時(shí)我們不得不刪除所有的值。它基本上取決于數(shù)據(jù)的類型和數(shù)量。