1 개요
판다스를 이용하여 결측치를 다루는 방법에 대해 정리한 분류.
2 시작하기 전에
특성공학:pandas를 보고 오자.
결측치를 처리하기 전에 전체적인 데이터셋이 어떤 형태인지 파악할 필요가 있다.
| 전략 | 설명 | 예시 |
|---|---|---|
| 전체형태 파악 | df의 형태를 튜플로 반환한다. train data와 test data의 차이를 비교하기 위한 작업으로 봐도 좋겠다. | df.shape |
| 칼럼별 형태 파악 | df의 칼럼별 기본적인 정보들을 알려준다.
|
df.info() |
| 칼럼별 null 파악 | 칼럼별로 몇 개의 데이터가 비었는지 표시해준다. 위 방법보다 조금 더 간략한 형태. | df.isnull().sum() |
| 셀별 null 파악 | 각 데이터가 비었는지, 채워져 있는지 True, False로 보여준다. | pd.isna(df) |
3 기본 방향
Kaggle의 'Missing Values'에서 제공한 코드를 약간 변형하여 정리하였다.
3.1 버리기
| 전략 | 예시 |
|---|---|
| 열 단위 | # 열 단위로 버리기
# 결측치가 하나라도 있는 열을 찾는다.
cols_with_missing = [col for col in X_train.columns if X_train[col].isnull().any()]
# 해당 열 버리기
reduced_X_train = X_train.drop(cols_with_missing, axis=1)
reduced_X_valid = X_valid.drop(cols_with_missing, axis=1)
|
| 행 단위 버리기 | # 행 단위로 버리기
df = df.dropna() # 하나의 속성이라도 비어있으면 행 째로 버린다.
df = df.dropna(subset = ['검사할열', '검사할열2', ...]) # 검사할 열에 결측치가 있으면 버린다.
|
3.2 채우기
다양한 방식의 채우기가 가능하다.
fillna 함수를 이용한다.
| 채우기 | 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..)
결측치를 채우는 것만으로도 정밀도가 올라가는 경우가 많다. SimpleImputer(strategy='median')
|
| 평균으로 채우기 | 열2 안의 결측치를 채우고 싶을 때 단순 평균을 넣을 수도 있지만, 열1이 같은 집단의 평균을 구해 넣는 게 더 정확할 것이다.(예컨대, 평균나이가 빠졌다면 남성의 결측치는 남성의 평균나이를 넣는 것.)
df.filna(df.groupby['열1'])['열2'].transform('median'), inplace=True) |
| 바로 위 데이터로 | 해당 결측치가 위 데이터와 별반 다르지 않으리라 예상되는 경우 위 데이터의 값을 그대로 사용한다.
df.fillna(method = 'ffill') # 비어 있을 경우, 바로 위 데이터를 입력 |
| 바로 아래 데이터로 | df.fillna(method = 'bfill') # 비어 있을 경우, 바로 아래 데이터를 입력 |
3.3 채우고 표시하기
| 채우고, 표시하기 | 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
|