檢視存在的缺失值
dataframe.isnull().sum()
1、直接刪除該特徵
dataframe.drop(['刪除的列'], axis=1)
2、刪除有缺失值的樣本
dataframe.dropna()
3、將缺失值作為新的特徵
4、使用均值或中值填充缺失值
// 均值填充
from sklearn.preprocessing import imputer
imp = imputer(missing_values = 'nan', strategy='mean', axis=0)
df = imp.fit_transform(df)
// 中值填充
imp = imputer(missing_values = 'nan', strategy='median', axis=0)
df = imp.fit_transform(df)
// 指定數值填充
imp = imputer(missing_values = 'nan', strategy='cosntant', fill_value=0)
df = imp.fit_transform(df)
缺失值處理
pandas使用nan not a number 表示浮點和非浮點陣列中的缺失資料，python內建的none值也會被當做na處理，pandas物件上的所有描述統計都排除了缺失資料。na處理方法 方法 說明dropna 根據各標籤的值是否存在缺失資料對軸標籤進行過濾，可通過閾值調節對缺失值的容忍度 ...
缺失值處理
之前寫過一篇文章缺失值視覺化處理 missingno 主要介紹了缺失值的檢視，今天聊一下，出現了缺失值後我們要做的後續工作，就是缺失值的處理。首先附上幾個 data資料集 data.isnull 缺失值判斷 是缺失值返回true，否則範圍false data.isnull sum 缺失值計算 返回每...
缺失值處理
資料清洗主要是刪除原始資料集中的無關資料 重複資料，平滑雜訊資料，去除與資料探勘主題無關的資料，處理缺失值 異常值等 缺失主要為完全隨機缺失，隨機缺失和非隨機缺失 資料的缺失是隨機的，資料的缺失不依賴於任何不完全變數或完全變數。資料的缺失不是完全隨機的，即該類資料的缺失依賴於其他完全變數。資料的缺失...