Question

我是机器学习的初学者，我的意思是我应该对列进行编码（分类），并在列上使用简单的标签编码，然后使用最频繁的值或其他方式来赋值NAN值。因为编码需要将我的数据帧转换为数组，然后进行插补，则需要再次将数组转换为数据帧，而所有这些都在一个列中。还有更多这样的列。

例如，我有此变量“ BsmtQual”

BsmtQual：评估地下室的高度并具有以下类别数

   Ex   Excellent (100+ inches) 
   Gd   Good (90-99 inches)
   TA   Typical (80-89 inches)
   Fa   Fair (70-79 inches)
   Po   Poor (<70 inches
   NA   No Basement

“ BsmtQual” 81中的2919个值中的

是NAN值。

Answer 1

对于将来遇到的不涉及编码的问题，您应该在https://datascience.stackexchange.com/上发布。

这取决于几件事。首先，此变量在您的运动中有多重要？假设您正在执行分类，则可以尝试删除所有不带NaN值的行，运行一些模型，然后删除变量并再次运行相同的模型。如果您尚未发现准确性下降，则可以考虑完全删除该变量。

如果您确实发现准确性下降或由于无人看管的问题而无法判断影响，则可以尝试其他几种方法。如果您只想快速解决问题，并且NaN或类别不太多，则可以使用最常用的值进行估算。如果满足上述条件，这不会引起太多问题。

如果您想更加精确，则可以考虑使用其他变量来预测分类变量的类别（显然，只有在分类变量与某些其他变量相关联的情况下，此方法才有效）。您可以为此使用多种算法，包括分类器或聚类。这全都取决于分类变量的分布以及要投入多少精力来解决问题。

（我也只是在学习，但是我认为这是您的大多数选择）

Answer 2

“…或其他方法。”

示例：

Ex   Excellent (100+ inches) 5 / 5 = 1.0
Gd   Good (90-99 inches)     4 / 5 = 0.8
TA   Typical (80-89 inches)  3 / 5 = 0.6
Fa   Fair (70-79 inches)     2 / 5 = 0.4
Po   Poor (<70 inches        1 / 5 = 0.2
NA   No Basement             0 / 5 = 0.0

但是，标签的精确度较低（如果与实际测量结果相结合，则会影响准确性）。

可以通过在类别范围内缩放值来解决（例如在0-69上缩放0.0-0.2英寸），也可以通过每个类别的近似值来解决（线性精度更高）。例如，如果最高值为200英寸：

Ex   Excellent (100+ inches) 100                  / 200 = 0.5000
Gd   Good (90-99 inches)     ((99 - 90) / 2) + 90 / 200 = 0.4725
TA   Typical (80-89 inches)  ((89 - 80) / 2) + 80 / 200 = 0.4225
Fa   Fair (70-79 inches)     ((79 - 70) / 2) + 70 / 200 = 0.3725
Po   Poor (<70 inches        (69 / 2)             / 200 = 0.1725
NA   No Basement             0                    / 200 = 0.0000

Actual measurement 120 inch  120                  / 200 = 0.6000

产生近似值（范围Ex之外的中点值，这是最小值）。如果在此类列上进行的计算不准确，则表示符号不精确（标签表示范围而不是值）。

我应该如何在分类列中估算Nan值？

2 个答案: