Datos faltantes

Cómo ganar una competición de Kaggle con Python

Yauhen Babakhin

Kaggle Grandmaster

Datos faltantes

ID Variable categórica Variable numérica Objetivo binario
1 A 5.1 1
2 B 7.2 0
3 C 3.4 0
4 A NaN 1
5 NaN 2.6 0
6 A 5.3 0
Cómo ganar una competición de Kaggle con Python

Imputar datos faltantes

 

Datos numéricos

  • Imputación por media/mediana
ID Variable categórica Variable numérica Objetivo binario
1 A 5.1 1
2 B 7.2 0
3 C 3.4 0
4 A NaN 1
5 NaN 2.6 0
6 A 5.3 0
Cómo ganar una competición de Kaggle con Python

Imputar datos faltantes

 

Datos numéricos

  • Imputación por media/mediana
  • Imputación con valor constante
ID Variable categórica Variable numérica Objetivo binario
1 A 5.1 1
2 B 7.2 0
3 C 3.4 0
4 A 4.72 1
5 NaN 2.6 0
6 A 5.3 0
Cómo ganar una competición de Kaggle con Python

Imputar datos faltantes

 

Datos numéricos

  • Imputación por media/mediana
  • Imputación con valor constante
ID Variable categórica Variable numérica Objetivo binario
1 A 5.1 1
2 B 7.2 0
3 C 3.4 0
4 A -999 1
5 NaN 2.6 0
6 A 5.3 0
Cómo ganar una competición de Kaggle con Python

Imputar datos faltantes

 

Datos numéricos

  • Imputación por media/mediana
  • Imputación con valor constante

Datos categóricos

  • Imputación por categoría más frecuente
ID Variable categórica Variable numérica Objetivo binario
1 A 5.1 1
2 B 7.2 0
3 C 3.4 0
4 A -999 1
5 NaN 2.6 0
6 A 5.3 0
Cómo ganar una competición de Kaggle con Python

Imputar datos faltantes

 

Datos numéricos

  • Imputación por media/mediana
  • Imputación con valor constante

Datos categóricos

  • Imputación por categoría más frecuente
  • Imputación con nueva categoría
ID Variable categórica Variable numérica Objetivo binario
1 A 5.1 1
2 B 7.2 0
3 C 3.4 0
4 A -999 1
5 A 2.6 0
6 A 5.3 0
Cómo ganar una competición de Kaggle con Python

Imputar datos faltantes

 

Datos numéricos

  • Imputación por media/mediana
  • Imputación con valor constante

Datos categóricos

  • Imputación por categoría más frecuente
  • Imputación con nueva categoría
ID Variable categórica Variable numérica Objetivo binario
1 A 5.1 1
2 B 7.2 0
3 C 3.4 0
4 A -999 1
5 MISS 2.6 0
6 A 5.3 0
Cómo ganar una competición de Kaggle con Python

Detectar datos faltantes

df.isnull().head(1)

         ID       cat       num    target
0     False     False     False     False

df.isnull().sum()

ID        0
cat       1
num       1
target    0
Cómo ganar una competición de Kaggle con Python

Datos numéricos faltantes

# Import SimpleImputer
from sklearn.impute import SimpleImputer

# Tipos de imputadores
mean_imputer = SimpleImputer(strategy='mean')
constant_imputer = SimpleImputer(strategy='constant', fill_value=-999)

# Imputación
df[['num']] = mean_imputer.fit_transform(df[['num']])
Cómo ganar una competición de Kaggle con Python

Datos categóricos faltantes

# Import SimpleImputer
from sklearn.impute import SimpleImputer

# Tipos de imputadores
frequent_imputer = SimpleImputer(strategy='most_frequent')
constant_imputer = SimpleImputer(strategy='constant', fill_value='MISS')

# Imputación
df[['cat']] = constant_imputer.fit_transform(df[['cat']])
Cómo ganar una competición de Kaggle con Python

¡Vamos a practicar!

Cómo ganar una competición de Kaggle con Python

Preparing Video For Download...