我有以下问题：我有一个 pandas 数据框，其中缺失值由 string 标记na。我想在它上面运行一个 Imputer 来用列中的平均值替换缺失的值。根据 sklearn 文档，该参数missing_values应该可以帮助我：
missing_values：整数或“NaN”，可选（默认=“NaN”）缺失值的占位符。所有出现的缺失值都将被估算。对于编码为 np.nan 的缺失值，请使用字符串值“NaN”。
在我的理解中，这意味着，如果我写
df = pd.read_csv(filename)
imp = Imputer(missing_values='na')
imp.fit_transform(df)
这意味着 imputer 用na列的平均值替换数据框中的任何内容。但是，相反，我收到一个错误：
ValueError: could not convert string to float: na
我在误解什么？这不是 imputer 应该如何工作的吗？那么，我怎样才能na用平均值替换字符串呢？我应该只使用 lambda 吗？
谢谢！
既然你说你想用'na'列的平均值替换这些，我猜非缺失值确实是浮点数。问题是 pandas 不会将该字符串识别'na'为缺失值，因此使用 dtypeobject而不是某种风格的float.
举个例子，考虑以下.csv文件：
test.csv
col1,col2
1.0,1.0
2.0,2.0
3.0,3.0
na,4.0
5.0,5.0
使用 naive import df = pd.read_csv('test.csv')，df.dtypes告诉我们 that col1is of dtypeobject并且col2is of dtype float64。但是你如何取一堆物体的平均值呢？
解决方案是告诉pd.read_csv()将字符串解释'na'为缺失值：
df = pd.read_csv('test.csv', na_values='na')
生成的数据框有两列 dtype float64，您现在可以使用您的 imputer。
这是我收到的错误
IndexError：将来，0-d 布尔数组将被解释为有效的布尔索引
就我而言，我遇到了“中值”策略的问题，将其更改为 mean 或 most_frequent 有效。
首先导入 pandas 然后阅读 your_file_name.csv . 并且 iloc 被定义为 pandas.DataFrame.iloc 并且是基于 purley 整数的索引，用于按位置进行定位。这里的格式是 iloc[for row index , for column index]a,b,c,d 是整数 a,b,c ,d 也可以为空
import pandas as pd
dataSet = pd.read_csv('your_file_name.csv')
X = dataSet.iloc[ a:b , c:d].values
如果您在没有 .values 的情况下使用，那么您将无法
在导入后将 其用于 imputer 进行转换 Imputer 定义您的Imputer 参数 missing_values =
“您要替换的数据中的缺失值”，strategy ="mean" （还有另外两种策略，即中位数并且最常出现在您的数据集中，但默认值是平均值。然后设置轴 =（0 表示列，1 表示行），其他是复制和详细）你可以阅读更多关于它的信息
from sklearn.preprocessing import Imputer
i = Imputer(missing_values="NaN", strategy="mean", axis=0)
将数据拟合到您定义的 Imputer 方式中，然后使用 transform 方法对其进行转换。这将返回 datatype = object 的数组
i = i.fit(X[a:b, c:d])
X[a:b, c:d ] = i.transform(X[a:b,c:d])
请记住，您选择的列显示仅包含浮点或整数类型值，否则这可能会显示错误无法将字符串转换为浮点
这里有几件事情你需要注意。
确保您没有在类型“对象”或分类变量上进行估算，您可以像这样查看您的数据：
df = pd.read_csv(filename)
print(df.info(null_counts=True))
最后一列应该是类型
让我们看一个例子：
df = pd.DataFrame({'A' : [1, 2, 2, 2, 'NaN', 3, 4, 5, 6], 'B' : [3, 3, 'NaN', 3, 3, 4, 3, 3, 3]})
输出：
df.head()
A B
---------
0 1 3
1 2 3
2 2 NaN
3 2 3
4 NaN 3
现在让我们看看类型
df.info(null_counts=True)
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 9 entries, 0 to 8
Data columns (total 2 columns):
0 9 non-null float64
1 9 non-null float64
dtypes: float64(2)
memory usage: 224.0 bytes
现在估算：
from sklearn.preprocessing import Imputer
imputer = Imputer(missing_values='NaN', strategy='most_frequent', axis=0)
df_imputed = pd.DataFrame(imputer.fit_transform(df))
df_imputed.head()
0 1
-----------
0 1.0 3.0
1 2.0 3.0
2 2.0 3.0
3 2.0 3.0
4 2.0 3.0
现在这一切都很好，但不能在分类上完成（类型对象/字符串）
处理它的一种方法是将分类特征更改为数字，如下所示：
df_with_cat = pd.DataFrame({'A': ['ios', 'android', 'web', 'NaN'], 'B' : [4, 4, 'NaN', 2]})
df_with_cat.head()
A B
-------------
0 ios 4
1 android 4
2 web NaN
3 NaN 2
和信息
df_with_cat.info(null_counts=True)
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4 entries, 0 to 3
Data columns (total 2 columns):
A 4 non-null object
B 4 non-null object
dtypes: object(2)
memory usage: 144.0+ bytes
我们肯定知道 B 是数字，所以让我们这样做：
df_with_cat['B'] = df_with_cat['B'].astype(np.float)
df_with_cat.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4 entries, 0 to 3
Data columns (total 2 columns):
A 4 non-null object
B 3 non-null float64
dtypes: float64(1), object(1)
memory usage: 144.0+ bytes
如果我们使用上面相同的 imputer，我们会得到一个错误（你可以试试）
现在让我们将“A”类别转换为数字：
CATEGORICAL_FEATURES = [
'A',
]
data_dum = pd.get_dummies(df_with_cat, columns=['A'], drop_first=True)
data_dum.head()
B A_android A_ios A_web
---------------------------------
0 4 0 1 0
1 4 1 0 0
2 NaN 0 0 1
3 2 0 0 0
现在我们可以在我们的数据框上从上面运行相同的 Imputer