快捷導(dǎo)航

python 如何通過(guò)KNN來(lái)填充缺失值

更新時(shí)間：2021年05月21日 12:09:43 作者：六mo神劍

這篇文章主要介紹了python 通過(guò)KNN來(lái)填充缺失值的操作，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教

看代碼吧~

# 加載庫(kù)
import numpy as np
from fancyimpute import KNN
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import make_blobs
# 創(chuàng)建模擬特征矩陣
features, _ = make_blobs(n_samples = 1000,
                         n_features = 2,
                         random_state = 1)
# 標(biāo)準(zhǔn)化特征
scaler = StandardScaler()
standardized_features = scaler.fit_transform(features)
standardized_features
# 制造缺失值
true_value = standardized_features[0,0]
standardized_features[0,0] = np.nan
standardized_features
# 預(yù)測(cè)
features_knn_imputed = KNN(k=5, verbose=0).fit_transform(standardized_features)
# features_knn_imputed = KNN(k=5, verbose=0).complete(standardized_features)
features_knn_imputed
# #對(duì)比真實(shí)值和預(yù)測(cè)值
print("真實(shí)值:", true_value)
print("預(yù)測(cè)值:", features_knn_imputed[0,0])
# 加載庫(kù)
import numpy as np
from fancyimpute import KNN
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import make_blobs

# 創(chuàng)建模擬特征矩陣
features, _ = make_blobs(n_samples = 1000,
                         n_features = 2,
                         random_state = 1)
# 標(biāo)準(zhǔn)化特征
scaler = StandardScaler()
standardized_features = scaler.fit_transform(features)
standardized_features
# 制造缺失值
true_value = standardized_features[0,0]
standardized_features[0,0] = np.nan
standardized_features
# 預(yù)測(cè)
features_knn_imputed = KNN(k=5, verbose=0).fit_transform(standardized_features)
# features_knn_imputed = KNN(k=5, verbose=0).complete(standardized_features)
features_knn_imputed
# #對(duì)比真實(shí)值和預(yù)測(cè)值
print("真實(shí)值:", true_value)
print("預(yù)測(cè)值:", features_knn_imputed[0,0])
真實(shí)值: 0.8730186113995938
預(yù)測(cè)值: 1.0955332713113226

補(bǔ)充：scikit-learn中一種便捷可靠的缺失值填充方法：KNNImputer

在數(shù)據(jù)挖掘工作中，處理樣本中的缺失值是必不可少的一步。其中對(duì)于缺失值插補(bǔ)方法的選擇至關(guān)重要，因?yàn)樗鼤?huì)對(duì)最后模型擬合的效果產(chǎn)生重要影響。

在2019年底，scikit-learn發(fā)布了0.22版本，此次版本除了修復(fù)之前的一些bug外，還更新了很多新功能，對(duì)于數(shù)據(jù)挖掘人員來(lái)說(shuō)更加好用了。其中我發(fā)現(xiàn)了一個(gè)新增的非常好用的缺失值插補(bǔ)方法：KNNImputer。這個(gè)基于KNN算法的新方法使得我們現(xiàn)在可以更便捷地處理缺失值，并且與直接用均值、中位數(shù)相比更為可靠。利用“近朱者赤”的KNN算法原理，這種插補(bǔ)方法借助其他特征的分布來(lái)對(duì)目標(biāo)特征進(jìn)行缺失值填充。

下面，就讓我們用實(shí)際例子來(lái)看看KNNImputer是如何使用的吧‎

使用KNNImputer需要從scikit-learn中導(dǎo)入：

from sklearn.impute import KNNImputer

先來(lái)一個(gè)小例子開(kāi)開(kāi)胃，data中第二個(gè)樣本存在缺失值。

data = [[2, 4, 8], [3, np.nan, 7], [5, 8, 3], [4, 3, 8]]

KNNImputer中的超參數(shù)與KNN算法一樣，n_neighbors為選擇“鄰居”樣本的個(gè)數(shù)，先試試n_neighbors=1。

imputer = KNNImputer(n_neighbors=1)
imputer.fit_transform(data)

可以看到，因?yàn)榈诙€(gè)樣本的第一列特征3和第三列特征7，與第一行樣本的第一列特征2和第三列特征8的歐氏距離最近，所以缺失值按照第一個(gè)樣本來(lái)填充，填充值為4。那么n_neighbors=2呢？

imputer = KNNImputer(n_neighbors=2)
imputer.fit_transform(data)

此時(shí)根據(jù)歐氏距離算出最近相鄰的是第一行樣本與第四行樣本，此時(shí)的填充值就是這兩個(gè)樣本第二列特征4和3的均值：3.5。

接下來(lái)讓我們看一個(gè)實(shí)際案例，該數(shù)據(jù)集來(lái)自Kaggle皮馬人糖尿病預(yù)測(cè)的分類賽題，其中有不少缺失值，我們?cè)囋囉肒NNImputer進(jìn)行插補(bǔ)。

import numpy as np
import pandas as pd
import pandas_profiling as pp
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(context="notebook", style="darkgrid")
import warnings
warnings.filterwarnings('ignore')
%matplotlib inline
 
from sklearn.impute import KNNImputer

#Loading the dataset
diabetes_data = pd.read_csv('pima-indians-diabetes.csv')
diabetes_data.columns = ['Pregnancies', 'Glucose', 'BloodPressure', 'SkinThickness', 
                       'Insulin', 'BMI', 'DiabetesPedigreeFunction', 'Age', 'Outcome']
diabetes_data.head()

在這個(gè)數(shù)據(jù)集中，0值代表的就是缺失值，所以我們需要先將0轉(zhuǎn)化為nan值然后進(jìn)行缺失值處理。

diabetes_data_copy = diabetes_data.copy(deep=True)
diabetes_data_copy[['Glucose','BloodPressure','SkinThickness','Insulin','BMI']] = diabetes_data_copy[['Glucose','BloodPressure','SkinThickness','Insulin','BMI']].replace(0, np.NaN)
 
print(diabetes_data_copy.isnull().sum())

在本文中，我們嘗試用DiabetesPedigreeFunction與Age，對(duì)BloodPressure中的35個(gè)缺失值進(jìn)行KNNImputer插補(bǔ)。

先來(lái)看一下缺失值都在哪幾個(gè)樣本：

null_index = diabetes_data_copy.loc[diabetes_data_copy['BloodPressure'].isnull(), :].index
null_index

imputer = KNNImputer(n_neighbors=10)
diabetes_data_copy[['BloodPressure', 'DiabetesPedigreeFunction', 'Age']] = imputer.fit_transform(diabetes_data_copy[['BloodPressure', 'DiabetesPedigreeFunction', 'Age']])
print(diabetes_data_copy.isnull().sum())

可以看到現(xiàn)在BloodPressure中的35個(gè)缺失值消失了。我們看看具體填充后的數(shù)據(jù)（只截圖了部分）：

diabetes_data_copy.iloc[null_index]

到此，BloodPressure中的缺失值已經(jīng)根據(jù)DiabetesPedigreeFunction與Age運(yùn)用KNNImputer填充完成了。注意的是，對(duì)于非數(shù)值型特征需要先轉(zhuǎn)換為數(shù)值型特征再進(jìn)行KNNImputer填充操作，因?yàn)槟壳癒NNImputer方法只支持?jǐn)?shù)值型特征(ʘ̆ωʘ̥̆‖)՞。

您可能感興趣的文章: