Imputeren met gemiddelde, mediaan & modus

Omgaan met ontbrekende gegevens in Python

Suraj Donthi

Deep Learning & Computer Vision Consultant

Basistechnieken voor imputatie

constante (bv. 0)
gemiddelde
mediaan
modus of meest voorkomend

Imputatie met gemiddelde

from sklearn.impute import SimpleImputer

diabetes_mean = diabetes.copy(deep=True)

mean_imputer = SimpleImputer(strategy='mean')

Imputatie met gemiddelde

from sklearn.impute import SimpleImputer
diabetes_mean = diabetes.copy(deep=True)
mean_imputer = SimpleImputer(strategy='mean')
diabetes_mean.iloc[:, :] = mean_imputer.fit_transform(diabetes_mean)

Imputatie met mediaan

diabetes_median = diabetes.copy(deep=True)
median_imputer = SimpleImputer(strategy='median')
diabetes_median.iloc[:, :] = median_imputer.fit_transform(diabetes_median)

Imputatie met modus

diabetes_mode = diabetes.copy(deep=True)
mode_imputer = SimpleImputer(strategy='most_frequent')
diabetes_mode.iloc[:, :] = mode_imputer.fit_transform(diabetes_mode)

Een constante imputeren

diabetes_constant = diabetes.copy(deep=True)
constant_imputer = SimpleImputer(strategy='constant', fill_value=0))
diabetes_constant.iloc[:, :] = constant_imputer.fit_transform(diabetes_constant)

Spreidplot van imputatie

nullity = diabetes['Serum_Insulin'].isnull()+diabetes['Glucose'].isnull()

diabetes_mean.plot(x='Serum_Insulin', y='Glucose', kind='scatter', alpha=0.5,

                   c=nullity, cmap='rainbow', title='Mean Imputation')

Spreidplot van gemiddelde-imputatie in diabetes-dataset

Imputaties visualiseren

fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 10))

nullity = diabetes['Serum_Insulin'].isnull()+diabetes['Glucose'].isnull()

imputations = {'Mean Imputation': diabetes_mean, 
               'Median Imputation': diabetes_median, 
               'Most Frequent Imputation': diabetes_mode, 
               'Constant Imputation': diabetes_constant}

for ax, df_key in zip(axes.flatten(), imputations):

    imputations[df_key].plot(x='Serum_Insulin', y='Glucose', kind='scatter', 
                             alpha=0.5, c=nullity, cmap='rainbow', ax=ax, 
                             colorbar=False, title=df_key)

Grafische weergave van imputaties in de diabetes-dataset

Samenvatting

Je leerde:

Imputeren met parameters als gemiddelde, mediaan en modus
Imputaties grafisch vergelijken
Imputaties analyseren

Laten we oefenen!

Omgaan met ontbrekende gegevens in Python