在sklearn的preprocessing包中包含了對資料集中缺失值的處理，主要是應用imputer類進行處理。
首先需要說明的是，numpy的陣列中可以使用np.nan/np.nan（not a number）來代替缺失值，對於陣列中是否存在nan可以使用np.isnan()來判定。
使用type(np.nan)或者type(np.nan)可以發現改值其實屬於float型別，**如下： 1
2
3
4
5
6
7
8
>>>type(np.nan)
<type'float'>
>>>type(np.nan)
<type'float'>
>>> np.nan
nan
>>> np.nan
nan
因此，如果要進行處理的資料集中包含缺失值一般步驟如下：
1、使用字串'nan'來代替資料集中的缺失值；
2、將該資料集轉換為浮點型便可以得到包含np.nan的資料集；
3、使用sklearn.preprocessing.imputer類來處理使用np.nan對缺失值進行編碼過的資料集。
**如下：
1
2
3
4
5
6
7
8
9
10
>>>fromsklearn.preprocessingimportimputer
>>> 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**使用陣列x去「訓練」乙個imputer類，然後用該類的物件去處理陣列y中的缺失值，缺失值的處理方式是使用x中的均值（axis=0表示按列進行）代替y中的缺失值。
當然也可以使用imp物件來對x陣列本身進行處理。
通常，我們的資料都儲存在檔案中，也不一定都是numpy陣列生成的，因此缺失值可能不一定是使用nan來編碼的，對於這種情況可以參考以下**：
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)
>>> z
array([1., nan])
>>> imp.transform(z)
array([[1.,3.66666667]])
上述**line模擬從檔案中讀取出來的一行資料，使用nan來代替原始資料中的缺失值編碼，將其轉換為浮點型，然後使用x中的均值填補z中的缺失值。
sklearn處理缺失值
匯入包 from sklearn.impute import sampleimpute先將一列資料初始化為乙個二維的 data age data.loc age values.reshape 1 1 開始填補缺失值 imp mean impute 預設用0填補 imp median impute s...
sklearn 缺失值處理器 Imputer
class sklearn.preprocessing.imputer missing values nan strategy mean axis 0,verbose 0,copy true 引數 axis 預設為 axis 0 說實話，我還是沒太弄明白aixs的具體含義，總感覺在不同的函式中有不同...
sklearn 資料填補缺失值
機器學習和資料探勘中所使用的資料，永遠不可能是完美的。很多特徵，對於分析和建模來說意義非凡，但對於實 際收集資料的人卻不是如此，因此資料探勘之中，常常會有重要的字段缺失值很多，但又不能捨棄欄位的情況。因 此，資料預處理中非常重要的一項就是處理缺失值。從kaggle中簡單的獲取的鐵達尼號的遇難者生存資...