ArbitraryNumberImputer#
- class feature_engine.imputation.ArbitraryNumberImputer(arbitrary_number=999, variables=None, imputer_dict=None)[源代码][源代码]#
ArbitraryNumberImputer() 通过用户确定的任意值来替换缺失数据。它仅适用于数值变量。
你可以通过在
variables中定义要填补的变量，并在arbitrary_number中定义填补的数值来对所有变量进行相同的数值填补。或者，你也可以在imputer_dict参数中传递一个包含变量名及其对应填补数值的字典。更多详情请参阅 用户指南。
- 参数
- arbitrary_number: int 或 float, 默认值=999
用于替换缺失数据的数值。仅当
imputer_dict为 None 时，此参数才被使用。- 变量: 列表, 默认=无
要插补的变量列表。如果为 None，插补器将选择所有数值变量。仅当
imputer_dict为 None 时使用此参数。- imputer_dict: dict, 默认=None
变量字典及其用于插补的任意数值。如果指定，它将覆盖上述参数。
- 属性
- imputer_dict_:
包含用于替换每个变量中缺失数据的值的字典。
- 变量_
将被转换的变量组。
- feature_names_in_:
列出在
fit过程中看到的特征名称。- n_features_in_:
在拟合中使用的训练集中的特征数量。
示例
>>> import pandas as pd >>> import numpy as np >>> from feature_engine.imputation import ArbitraryNumberImputer >>> X = pd.DataFrame(dict( >>> x1 = [np.nan,1,1,0,np.nan], >>> x2 = ["a", np.nan, "b", np.nan, "a"], >>> )) >>> ani = ArbitraryNumberImputer(arbitrary_number=-999) >>> ani.fit(X) >>> ani.transform(X) x1 x2 0 -999.0 a 1 1.0 NaN 2 1.0 b 3 0.0 NaN 4 -999.0 a
方法
拟合：
此转换器不学习参数。
fit_transform:
拟合数据，然后进行转换。
get_feature_names_out:
获取转换后的输出特征名称。
get_params:
获取此估计器的参数。
设置参数:
设置此估计器的参数。
变换:
填补缺失数据。
- fit(X, y=None)[源代码][源代码]#
此方法不学习任何参数。
- 参数
- X: pandas 数据框，形状为 [n_samples, n_features]
训练数据集。
- y: None
在这个插补中不需要 y。你可以传递 None 或 y。
- fit_transform(X, y=None, **fit_params)[源代码]#
拟合数据，然后进行转换。
使用可选参数
fit_params将转换器拟合到X和y，并返回X的转换版本。- 参数
- X形状为 (n_samples, n_features) 的类数组对象
输入样本。
- y类似数组的形状 (n_samples,) 或 (n_samples, n_outputs), 默认=None
目标值（无监督变换为None）。
- **拟合参数dict
附加的拟合参数。
- 返回
- X_newndarray 数组，形状为 (n_samples, n_features_new)
转换后的数组。
- get_metadata_routing()[源代码]#
获取此对象的元数据路由。
请查看 用户指南 以了解路由机制的工作原理。
- 返回
- 路由MetadataRequest
一个封装了路由信息的
MetadataRequest。
- get_params(deep=True)[源代码]#
获取此估计器的参数。
- 参数
- 深度bool, 默认=True
如果为真，将返回此估计器及其包含的作为估计器的子对象的参数。
- 返回
- 参数dict
参数名称映射到它们的值。