MeanMedianImputer#
- class feature_engine.imputation.MeanMedianImputer(imputation_method='median', variables=None)[源代码][源代码]#
MeanMedianImputer() 通过变量的均值或中值来替换缺失数据。它仅适用于数值变量。
你可以传递一个变量列表来进行插补。或者，MeanMedianImputer() 会自动选择训练集中所有数值类型的变量。
更多详情请参见 用户指南。
- 参数
- imputation_method: str, default=’median’
插补的期望方法。可以取 ‘均值’ 或 ‘中位数’。
- 变量: 列表, 默认=无
要转换的数值变量列表。如果为 None，转换器将自动查找并选择所有数值变量。
- 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 MeanMedianImputer >>> X = pd.DataFrame(dict( >>> x1 = [np.nan,1,1,0,np.nan], >>> x2 = ["a", np.nan, "b", np.nan, "a"], >>> )) >>> mmi = MeanMedianImputer(imputation_method='median') >>> mmi.fit(X) >>> mmi.transform(X) x1 x2 0 1.0 a 1 1.0 NaN 2 1.0 b 3 0.0 NaN 4 1.0 a
方法
拟合：
学习均值或中位数值。
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。
转换：
填补缺失数据。
- fit(X, y=None)[源代码][源代码]#
学习均值或中位数值。
- 参数
- X: pandas 数据框，形状为 = [样本数, 特征数]
训练数据集。
- y: pandas 系列或 None, 默认=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形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组，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。