Imputarea cu medie, mediană și modă

Gestionarea datelor lipsă în Python

Suraj Donthi

Deep Learning & Computer Vision Consultant

Tehnici de bază pentru imputare

  • constantă (ex. 0)
  • medie
  • mediană
  • modă sau cea mai frecventă valoare
Gestionarea datelor lipsă în Python

Imputarea prin medie

from sklearn.impute import SimpleImputer

diabetes_mean = diabetes.copy(deep=True)

mean_imputer = SimpleImputer(strategy='mean')
Gestionarea datelor lipsă în Python

Imputarea prin medie

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)
Gestionarea datelor lipsă în Python

Imputarea prin mediană

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

Imputarea prin modă

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

Imputarea cu o constantă

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

Diagrama de dispersie a imputării

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')

Diagrama de dispersie a dataframe-ului diabetes cu imputare prin medie

Gestionarea datelor lipsă în Python

Vizualizarea imputărilor

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)
Gestionarea datelor lipsă în Python

Vizualizare grafică a imputărilor din dataframe-ul diabetes

Gestionarea datelor lipsă în Python

Rezumat

Ați învățat să

  • Imputați cu parametri statistici: medie, mediană și modă
  • Comparați grafic imputările
  • Analizați imputările
Gestionarea datelor lipsă în Python

Să exersăm!

Gestionarea datelor lipsă în Python

Preparing Video For Download...