Attribuer des valeurs manquantes catégoriques à scikit-learn

Vous pouvez utiliser sklearn_pandas.CategoricalImputer pour les colonnes catégoriques. Détails:

tout D'abord, (du livre Hands-On Machine Learning with Scikit-Learn and TensorFlow) vous pouvez avoir des sous-lignes pour les caractéristiques numériques et string/categorical, où le premier transformateur de chaque sous-ligne est un sélecteur qui prend une liste de noms de colonne (et le full_pipeline.fit_transform() prend une pandas DataFrame):

class DataFrameSelector(BaseEstimator, TransformerMixin):
    def __init__(self, attribute_names):
        self.attribute_names = attribute_names
    def fit(self, X, y=None):
        return self
    def transform(self, X):
        return X[self.attribute_names].values

Vous pouvez ensuite combiner ces sous pipelines sklearn.pipeline.FeatureUnion, pour exemple:

full_pipeline = FeatureUnion(transformer_list=[
    ("num_pipeline", num_pipeline),
    ("cat_pipeline", cat_pipeline)
])

Maintenant, dans le num_pipeline vous pouvez simplement utiliser sklearn.preprocessing.Imputer(), mais dans l' cat_pipline, vous pouvez utiliser CategoricalImputer()sklearn_pandas paquet.

remarque:sklearn-pandas le paquet peut être installé avec pip install sklearn-pandas, mais il est importé comme import sklearn_pandas

copier et modifier la réponse de sveitser, j'ai fait un emputer pour un pandas.La série de l'objet

import numpy
import pandas 

from sklearn.base import TransformerMixin

class SeriesImputer(TransformerMixin):

    def __init__(self):
        """Impute missing values.

        If the Series is of dtype Object, then impute with the most frequent object.
        If the Series is not of dtype Object, then impute with the mean.  

        """
    def fit(self, X, y=None):
        if   X.dtype == numpy.dtype('O'): self.fill = X.value_counts().index[0]
        else                            : self.fill = X.mean()
        return self

    def transform(self, X, y=None):
       return X.fillna(self.fill)

Pour l'utiliser, il ferait:

# Make a series
s1 = pandas.Series(['k', 'i', 't', 't', 'e', numpy.NaN])


a  = SeriesImputer()   # Initialize the imputer
a.fit(s1)              # Fit the imputer
s2 = a.transform(s1)   # Get a new series

ce code remplit une série avec la catégorie la plus fréquente:

import pandas as pd
import numpy as np

# create fake data 
m = pd.Series(list('abca'))
m.iloc[1] = np.nan #artificially introduce nan

print('m = ')
print(m)

#make dummy variables, count and sort descending:
most_common = pd.get_dummies(m).sum().sort_values(ascending=False).index[0] 

def replace_most_common(x):
    if pd.isnull(x):
        return most_common
    else:
        return x

new_m = m.map(replace_most_common) #apply function to original data

print('new_m = ')
print(new_m)

Sorties:

m =
0      a
1    NaN
2      c
3      a
dtype: object

new_m =
0    a
1    a
2    c
3    a
dtype: object

Inspiré par les réponses ici et un goto Imputer pour tous les cas d'utilisation j'ai fini par écrire. Il soutient quatre stratégies pour l'imputation mean, mode, median, fill fonctionne sur les deux pd.DataFrame et Pd.Series.

mean et median fonctionne uniquement pour les données numériques,mode et fill fonctionne à la fois pour les données numériques et catégoriques.

class CustomImputer(BaseEstimator, TransformerMixin):
    def __init__(self, strategy='mean',filler='NA'):
       self.strategy = strategy
       self.fill = filler

    def fit(self, X, y=None):
       if self.strategy in ['mean','median']:
           if not all(X.dtypes == np.number):
               raise ValueError('dtypes mismatch np.number dtype is \
                                 required for '+ self.strategy)
       if self.strategy == 'mean':
           self.fill = X.mean()
       elif self.strategy == 'median':
           self.fill = X.median()
       elif self.strategy == 'mode':
           self.fill = X.mode().iloc[0]
       elif self.strategy == 'fill':
           if type(self.fill) is list and type(X) is pd.DataFrame:
               self.fill = dict([(cname, v) for cname,v in zip(X.columns, self.fill)])
       return self

   def transform(self, X, y=None):
       return X.fillna(self.fill)

utilisation

>> df   
    MasVnrArea  FireplaceQu
Id  
1   196.0   NaN
974 196.0   NaN
21  380.0   Gd
5   350.0   TA
651 NaN     Gd


>> CustomImputer(strategy='mode').fit_transform(df)
MasVnrArea  FireplaceQu
Id      
1   196.0   Gd
974 196.0   Gd
21  380.0   Gd
5   350.0   TA
651 196.0   Gd

>> CustomImputer(strategy='fill', filler=[0, 'NA']).fit_transform(df)
MasVnrArea  FireplaceQu
Id      
1   196.0   NA
974 196.0   NA
21  380.0   Gd
5   350.0   TA
651 0.0     Gd 

Similaire. Modifier Imputerstrategy='most_frequent':

class GeneralImputer(Imputer):
    def __init__(self, **kwargs):
        Imputer.__init__(self, **kwargs)

    def fit(self, X, y=None):
        if self.strategy == 'most_frequent':
            self.fills = pd.DataFrame(X).mode(axis=0).squeeze()
            self.statistics_ = self.fills.values
            return self
        else:
            return Imputer.fit(self, X, y=y)

    def transform(self, X):
        if hasattr(self, 'fills'):
            return pd.DataFrame(X).fillna(self.fills).values.astype(str)
        else:
            return Imputer.transform(self, X)

où pandas.DataFrame.mode() trouve la valeur la plus fréquente pour chaque colonne et ensuite pandas.DataFrame.fillna() remplit des valeurs manquantes. D'autres strategy les valeurs sont toujours traités de la même façon par Imputer.