편집
1,408
번
바뀜
둘러보기로 가기
검색하러 가기
1번째 줄:
1번째 줄: − + − Kaggle의 'Missing Values'에서 제공한 코드를 약간 변형. − {| class="wikitable" − !전략 − !예시 − |- − |버리기 − |<syntaxhighlight lang="python"> − # 결측치가 하나라도 있는 열을 찾는다. − cols_with_missing = [col for col in X_train.columns if X_train[col].isnull().any()] − − # 해당 행 버리기. − reduced_X_train = X_train.drop(cols_with_missing, axis=1) − reduced_X_valid = X_valid.drop(cols_with_missing, axis=1) − </syntaxhighlight> − |- − |채우기 − |<syntaxhighlight lang="python"> − from sklearn.impute import SimpleImputer − − imputer = SimpleImputer() − imputed_train_X = pd.DataFrame(imputer.fit_transform(train_X)) # 학습용 자료에 결측치 채워넣기. − test_train_X = pd.DataFrame(imputer.transform(test_X)) # 테스트용 데이터에 결측치 채워넣기.(위에서 사용하는 메서드와 다르다. 무슨 차이일까..) − </syntaxhighlight>[어떤 값으로 채우는 걸까?] − SimpleImputer(strategy='median') − − 데이터프레임을 사용하는 경우, <code>fillna(채울값)</code> 함수가 준비되어 있다. − − df.fillna(method = 'ffill') # 비어 있을 경우, 바로 위 데이터를 입력 − − df.fillna(method = 'bfill') # 비어 있을 경우, 바로 아래 데이터를 입력 − |- − |채우고, 표시하기 − |<syntaxhighlight lang="python"> − X_train_plus = X_train.copy() − X_valid_plus = X_valid.copy() − − # 해당 값이 원랜 비어있었다는 것을 표시하기 위한 열 만들기. − for col in cols_with_missing: − X_train_plus[col + '_was_missing'] = X_train_plus[col].isnull() − X_valid_plus[col + '_was_missing'] = X_valid_plus[col].isnull() − − # 채우기 − my_imputer = SimpleImputer() − imputed_X_train_plus = pd.DataFrame(my_imputer.fit_transform(X_train_plus)) − imputed_X_valid_plus = pd.DataFrame(my_imputer.transform(X_valid_plus)) − − # imputer가 열 이름을 다 지워버리기 때문에 열을 다시 복사한다.(굳이 열을 다시 살릴 이유가 있나??) − imputed_X_train_plus.columns = X_train_plus.columns − imputed_X_valid_plus.columns = X_valid_plus.columns − </syntaxhighlight>복잡한 작업을 했기 때문에 단순 채우기보다 성능이 좋아질 것 같지만.. 오히려 나빠지는 경우도 있다. − |} − − = 시계열에서 결측치 = − + −
→결측치 다루기 예시
== 결측치 다루기 예시 ==
== 시계열에서 결측치 ==
자료를 지속적으로 수집하려는 시도를 하지만, 종종 에러가 발생한다든가 빼먹는 경우가 생긴다. 이럴 때 발생한 결측치는 어떻게 처리할 것인가?
자료를 지속적으로 수집하려는 시도를 하지만, 종종 에러가 발생한다든가 빼먹는 경우가 생긴다. 이럴 때 발생한 결측치는 어떻게 처리할 것인가?
[[분류:결측치 다루기]]
[[분류:데이터 전처리]]