day 6 缺失值處理

2021-10-04 14:22:41 字數 2346 閱讀 7023

import pandas as pd


from sklearn.impute import ******imputer  # 專門補缺的類


from sklearn.preprocessing import labelencoder  # 標籤專用，能夠將分類轉換為分類數值


data = pd.read_csv('缺失預處理資料22222.csv', index_col=0)  # 把第0列作為索引


# print(data.head())


# print(data.info())  #看一下資料狀況　發現年齡和艙門有缺失


# todo:::::::::::::sklearn.impute.******imputer (missing_values=nan, strategy=』mean』, fill_value=none, verbose=0,copy=true)


# todo:  引數


#### missing_values 告訴******imputer，資料中的缺失值長什麼樣，預設空值np.nan


#### strategy　我們填補缺失值的策略，預設均值。


####                       輸入「mean」使用均值填補（僅對數值型特徵可用）


####                       輸入「median"用中值填補（僅對數值型特徵可用）


####                      輸入"most_frequent」用眾數填補（對數值型和字元型特徵都可用）


####                       輸入「constant"表示請參考引數「fill_value"中的值（對數值型和字元型特徵都可用）


#### fill_value 當引數startegy為」constant"的時候可用，可輸入字串或數字表示要填充的值，常用0


#### copy 預設為true，將建立特徵矩陣的副本，反之則會將缺失值填補到原本的特徵矩陣中去


# todo: 填補年齡


# age = data.loc[:, "age"].values.reshape(-1, 1)  # sklearn當中特徵矩陣必須是二維


# imp_mean = ******imputer()  # 例項化，預設均值填補


# imp_median = ******imputer(strategy="median")  # 用中位數填補


# imp_0 = ******imputer(strategy="constant", fill_value=0)  # 用0填補


## imp_mean = imp_mean.fit_transform(age)  # fit_transform一步完成調取結果


# imp_median = imp_median.fit_transform(age)  # fit_transform一步完成調取結果


# imp_0 = imp_0.fit_transform(age)  # fit_transform一步完成調取結果


# print(imp_mean[:20])


# print(imp_median[:20])


# print(imp_0[:20])


# todo::在這裡我們使用中位數填補age


# data.loc[:, "age"] = imp_median


# print(data.info())


# todo: 使用眾數填補embarked


# embarked = data.loc[:, "embarked"].values.reshape(-1, 1)


# imp_mode = ******imputer(strategy="most_frequent")


# data.loc[:, "embarked"] = imp_mode.fit_transform(embarked)


# print(data.info())


# todo::::bonus：用pandas和numpy進行填補其實更加簡單


import pandas as pd


# data.head()


# data.loc[:, "age"] = data.loc[:, "age"].fillna(data.loc[:, "age"].median())


# # .fillna 在dataframe裡面直接進行填補


# data.dropna(axis=0, inplace=true)


# # .dropna(axis=0)刪除所有有缺失值的行，.dropna(axis=1)刪除所有有缺失值的列


# # 引數inplace，為true表示在原資料集上進行修改，為false表示生成乙個複製物件，不修改原資料，預設false


# print(data.info())

swift基礎day6 錯誤處理

錯誤處理 swift 在執行時提供了丟擲 捕獲 傳遞和操作可恢復錯誤等支援。swift 中的錯誤處理涉及到錯誤處理模式與cocoa有關。表示與丟擲錯誤 遵循error 協議。表示與丟擲錯誤 enum vendingmachineerror error throw vendingmachineerro...

上課記錄 Day6

html css和bootstrap框架的關係是什麼 下列 布局合理嗎？不合理的話，應該怎麼改進 不合理 名字跟暱稱應該各分為一塊 名字 暱稱 絕對路徑和相對路徑的差別是什麼 col md 6 col xs 6這兩個類分別表示什麼含義 col md push 6 col md offset 6 co...

Day6 快速排序

快速排序 快速排序使用分治的策略來把乙個序列為兩個子串行。快速排序又是一種分而治之思想在排序演算法上的典型應用。本質上來看，快速排序應該算是在氣泡排序基礎上的遞迴分治法。1.首先從數列中挑出乙個元素，稱為 基準 2.接著重新將數列排序，所有比基準小的元素擺放在基準的前面，所有比基準大的數都排在基準的...