Imputación de valores categóricos

Cómo tratar datos faltantes en Python

Suraj Donthi

Deep Learning & Computer Vision Consultant

Complejidad con valores categóricos

La mayoría de valores categóricos son cadenas
No se pueden hacer operaciones con cadenas
Hay que convertir/codificar a valores numéricos e imputar

Técnicas de conversión

Codificador one-hot

Color	Color_Red	Color_Green	Color_Blue
Red	1	0	0
Green	0	1	0
Blue	0	0	1
Red	1	0	0
Blue	0	0	1
Blue	0	0	1

Codificador ordinal

Color	Valor
Red	0
Green	1
Blue	2
Red	0
Blue	2
Blue	2

Técnicas de imputación

Rellenar con la categoría más frecuente
Imputar con modelos estadísticos como KNN

Datos de perfil de usuarios

users = pd.read_csv('userprofile.csv')
users.head()

    smoker    drink_level    dress_preference ambience    hijos        activity     budget
0    False    abstemious        informal      family    independent    student      medium
1    False    abstemious        informal      family    independent    student      low
2    False    social drinker    formal        family    independent    student      low
3    False    abstemious        informal      family    independent    professional medium
4    False    abstemious     no preference    family    independent    student      medium

Codificación ordinal

from sklearn.preprocessing import OrdinalEncoder


# Crear codificador ordinal
ambience_ord_enc = OrdinalEncoder()

# Seleccionar valores no nulos en ambience
ambience = users['ambience']
ambience_not_null = ambience[ambience.notnull()]
reshaped_vals = ambience_not_null.values.reshape(-1, 1)

# Codificar los valores no nulos de ambience
encoded_vals = ambience_ord_enc.fit_transform(reshaped_vals)

# Sustituir la columna ambience por valores ordinales
users.loc[ambience.notnull(), 'ambience'] = np.squeeze(encoded_vals)

Codificación ordinal

# Crear diccionario para codificadores ordinales
ordinal_enc_dict = {}

# Iterar por columnas a codificar
for col_name in users:
    # Crear codificador ordinal para la columna
    ordinal_enc_dict[col_name] = OrdinalEncoder()
    col = users[col_name]

    # Seleccionar los valores no nulos de la columna
    col_not_null = col[col.notnull()]
    reshaped_vals = col_not_null.values.reshape(-1, 1)

    # Codificar los valores no nulos de la columna
    encoded_vals = ordinal_enc_dict[col_name].fit_transform(reshaped_vals)

    # Sustituir los valores de la columna por valores ordinales
    users.loc[col.notnull(), col_name] = np.squeeze(encoded_vals)

Imputación con KNN

users_KNN_imputed = users.copy(deep=True)


# Crear imputador KNN
KNN_imputer = KNN()


users_KNN_imputed.iloc[:, :] = np.round(KNN_imputer.fit_transform(users))


for col_name in users_KNN_imputed:
    # Remodelar a 2 dimensiones para 
    # evitar errores al guardar en el DataFrame
    reshaped = users_KNN_imputed[col_name].values.reshape(-1, 1)
    users_KNN_imputed[col_name] = \
    ordinal_enc_dict[col_name].inverse_transform(reshaped)

Resumen

Pasos para imputar valores categóricos

Convertir columnas categóricas no ausentes a valores ordinales
Imputar los valores ausentes en el DataFrame ordinal
Volver de ordinales a categóricos

¡Vamos a practicar!

Cómo tratar datos faltantes en Python