假设我有一个带有分类数据的列＆＃34;红色＆＃34; ＆＃34;绿色＆＃34; ＆＃34;蓝色＆＃34;和空单元
red
green
red
blue
NaN
我确定NaN属于红绿蓝，我应该用颜色的平均值替换NaN还是一个太强的假设？它将是
col1 | col2 | col3
1 0 0
0 1 0
1 0 0
0 0 1
0.5 0.25 0.25
或者甚至缩放最后一行但是保持比率以使这些值影响较小？通常什么是最佳做法？
0.25 0.125 0.125
答案 0 :(得分：1)
处理缺失数据的最简单策略是删除包含缺失值的记录。
scikit-learn库提供了Imputer()预处理类，可用于替换缺失值。由于它是分类数据，因此不建议使用均值作为替换值。你可以使用
from sklearn.preprocessing import Imputer
imp = Imputer(missing_values='NaN', strategy='most_frequent', axis=0)
Imputer类直接在NumPy数组而不是DataFrame上运行。
最后但并非最不重要的是，并非所有ML算法都无法处理缺失值。 ML的不同实现也不同。
答案 1 :(得分：0)
这取决于您想要对数据执行的操作。 这些颜色的平均值对您的目的有用吗？ 您正在创建一个新的可能值，这可能是不想要的。特别是因为您正在谈论分类数据，并且您正在处理它，就像它是数字数据一样。
在机器学习中，您将使用关于目标属性的最常见分类值（您要预测的内容）替换缺失值。
示例：您想要通过查看他们的汽车来预测一个人是男性还是女性，并且颜色特征具有一些缺失值。如果男性（女性）司机的大多数汽车都是蓝色（红色），那么您可以使用该值来填补男性（女性）司机缺少的汽车条目。
答案 2 :(得分：0)
除了Lan的答案的方法，这似乎是最常用的，你可以使用基于矩阵分解的东西。例如，有Generalized Low Rank Models的变体可以归因于这些数据，就像使用概率矩阵分解来估算连续数据一样。
GLRMs can be used from H2O，它为Python和R提供绑定。