缺失值填充這回事我們第一能想到的就是使用0進行填充，但是如果是年齡的話直接使用0進行填充就有點不太靠譜了，那麼怎麼辦呢？
如果整個樣本群體的年齡方差不大，比如整個樣本**於初中生，年齡在13-15歲之間，那麼直接使用全樣本的均值填充即可。
但是真實情況往往不會這麼美好，哪怕是初中生也會有急著早讀書的學生和可憐巴巴的留級生，再加上各個地區的入學年齡並不統一，那麼年齡區間一下子就會被拉大到11-16，這時候全體均值就不是那麼管用了。
為了消除地區的影響，我們可以分地區進行均值計算，然後使用與樣本同地區的均值進行填充。在入學的場景中我們需要考慮的地區粒度是城市，那麼如果是生活習慣類的場景，我們可以考慮省份，又或者是大區（華東、華南之類的）。
同理在其他的分析場景中，我們還可以考慮分性別、分職業等等…
還可以考慮使用多個因素疊加分類之後再計算均值進行填充。
條條大路通羅馬，管用就行。
python 特徵缺失值填充
該部落格總結比較詳細，感謝博主。我們在進行模型訓練時，不可避免的會遇到某些特徵出現空值的情況，下面整理了幾種填充空值的方法 對於特徵值缺失的一種常見的方法就是可以用固定值來填充，例如0，9999，9999,例如下面對灰度分這個特徵缺失值全部填充為 99 data 灰度分 data 灰度分 filln...
關於缺失值填充的方法
背景 很多資料不可避免的會遺失掉，或者採集的時候採集物件不願意透露，這就造成了很多nan not a number 的出現。這些nan會造成大部分模型執行出錯，所以對nan的處理很有必要。方法1 簡單粗暴地去掉 有如下dataframe，先用df.isnull sum 檢查下哪一列有多少nan im...
python缺失值填充
對於特徵值缺失的一種常見的方法就是可以用固定值來填充。data 分數 data 分數 fillna 1 對於數值型的特徵，其缺失值也可以用未缺失資料的均值填充。data 分數 data 分數 fillna data 分數 mean 與均值類似，可以用未缺失資料的眾數來填充缺失值。data 分數 da...