Categorische waarden imputeren

Omgaan met ontbrekende gegevens in Python

Suraj Donthi

Deep Learning & Computer Vision Consultant

Complexiteit met categorische waarden

Meeste categorische waarden zijn strings
Je kunt geen bewerkingen doen op strings
Zet/encodeer strings naar numeriek en imputeer

Conversietechnieken

One-hot-encoder

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

Ordinale encoder

Color	Value
Red	0
Green	1
Blue	2
Red	0
Blue	2
Blue	2

Imputatietechnieken

Vul met meest voorkomende categorie
Imputeer met statistische modellen zoals KNN

Gebruikersprofielgegevens

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

Ordinale codering

from sklearn.preprocessing import OrdinalEncoder


# Maak Ordinal Encoder
ambience_ord_enc = OrdinalEncoder()

# Selecteer niet-lege waarden in ambience
ambience = users['ambience']
ambience_not_null = ambience[ambience.notnull()]
reshaped_vals = ambience_not_null.values.reshape(-1, 1)

# Encodeer de niet-lege waarden van ambience
encoded_vals = ambience_ord_enc.fit_transform(reshaped_vals)

# Vervang de kolom ambience door ordinale waarden
users.loc[ambience.notnull(), 'ambience'] = np.squeeze(encoded_vals)

Ordinale codering

# Maak dictionary voor Ordinal Encoders
ordinal_enc_dict = {}

# Loop over kolommen om te coderen
for col_name in users:
    # Maak ordinal encoder voor de kolom
    ordinal_enc_dict[col_name] = OrdinalEncoder()
    col = users[col_name]

    # Selecteer de niet-lege waarden in de kolom
    col_not_null = col[col.notnull()]
    reshaped_vals = col_not_null.values.reshape(-1, 1)

    # Encodeer de niet-lege waarden van de kolom
    encoded_vals = ordinal_enc_dict[col_name].fit_transform(reshaped_vals)

    # Vervang de waarden in de kolom door ordinale waarden
    users.loc[col.notnull(), col_name] = np.squeeze(encoded_vals)

Imputeren met KNN

users_KNN_imputed = users.copy(deep=True)


# Maak KNN-imputer
KNN_imputer = KNN()


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


for col_name in users_KNN_imputed:
    # Reshape naar 2D om fouten bij opslaan in DataFrame te vermijden
    reshaped = users_KNN_imputed[col_name].values.reshape(-1, 1)
    users_KNN_imputed[col_name] = \
    ordinal_enc_dict[col_name].inverse_transform(reshaped)

Samenvatting

Stappen voor categorische imputatie

Zet niet-missende categorische kolommen om naar ordinaal
Imputeer missende waarden in de ordinale DataFrame
Zet ordinaal terug naar categorisch

Laten we oefenen!

Omgaan met ontbrekende gegevens in Python