我有一个有趣的问题,已经在表面上解决了,但是我想增强和改进我的实现。
我有一个DataFrame,其中包含一个数据集,供以后的机器学习使用。它具有功能列(其中约有500列)和4列目标。目标之间以越来越大的粒度相互关联(例如Fault / No_Fault,Fault-where,Fault-Group,Fault-Exact)。 DataFrame具有很多NaN值,因为它是通过OUTER联接由2个单独的数据集编译而成的-有些行已满,另一些具有来自一个数据集的数据,但没有其他数据集-参见下图,非常抱歉编辑。
无论如何,Sci-kit Learn的SimpleImputer()Transformer并没有给我我所追求的ML结果,而且我认为也许应该基于目标进行估算,例如计算每个列中每个目标的可用样本的中位数,并将其估算。然后检查是否还有NaN值,如果存在,请移至tar_3(向下一级粒度),还计算中值,并针对每个目标,每列估算该值。依此类推,直到没有NaN为止。
我已经用下面的代码实现了这一点,我完全理解这很笨拙,并且永远需要执行:
tar_list = ['tar_4', 'tar_3', 'tar_2', 'tar_1']
for tar in tar_list:
medians = df.groupby(by = tar).agg('median')
print("\nFilling values based on {} column granularity.".format(tar))
for col in [col for col in df.columns if col not in tar_list]:
print(col)
uniques = sorted(df[tar].unique())
for class_name in uniques:
value_to_fill = medians.loc[class_name][col]
print("Setting NaNs for target {} in column {} to {}".format(class_name, col, value_to_fill))
df.loc[df[tar] == class_name, col] = df.loc[df[tar] == class_name, col].fillna(value = value_to_fill)
print()
虽然我对这段代码产生的结果感到满意,但它有2个缺点,我不能忽略: 1)即使在约1000个样本x 500列的数据集上执行,也要花费很多时间。 2)对于当前正在工作的每个目标值,它对每列中的所有NaN均值相同的中值。我更希望它带有一些杂音,以防止只是简单地重复数据(也许是从该列中该目标值的正态分布中随机选择的值?)。
据我所知,Sci-Kit Learn或Pandas中没有现成的工具可以更有效地完成此任务。但是,如果有-有人可以指出我正确的方向吗?另外,我愿意就如何增强此代码来解决我的两个问题提出建议。
更新:
我提到的代码生成示例DataFrame:
df = pd.DataFrame(np.random.randint(0, 100, size=(vsize, 10)),
columns = ["col_{}".format(x) for x in range(10)],
index = range(0, vsize * 3, 3))
df_2 = pd.DataFrame(np.random.randint(0,100,size=(vsize, 10)),
columns = ["col_{}".format(x) for x in range(10, 20, 1)],
index = range(0, vsize * 2, 2))
df = df.merge(df_2, left_index = True, right_index = True, how = 'outer')
df_tar = pd.DataFrame({"tar_1": [np.random.randint(0, 2) for x in range(vsize * 3)],
"tar_2": [np.random.randint(0, 4) for x in range(vsize * 3)],
"tar_3": [np.random.randint(0, 8) for x in range(vsize * 3)],
"tar_4": [np.random.randint(0, 16) for x in range(vsize * 3)]})
df = df.merge(df_tar, left_index = True, right_index = True, how = 'inner')
答案 0 :(得分:1)
尝试一下:
dateFormatInputOutput
花大约1.5秒的时间来获取示例数据:
<a onclick="return confirm('Are you sure you want to remove this product from bundle?')")">Delete</a>