使用Scikit-lwarn的Imputer

​译者 | 布加迪

审校 | 孙淑娟

如果您的数据集中有一些缺失值，您可能会删除缺失值行甚至列。强烈建议不使用这种方法，因为这会减少数据的大小，而且数据分析可能偏离事实。相反，我们应该使用不受缺失值影响的机器学习算法，或者使用Imputer来填充缺失的信息。

Imputer是用于填充数据集中缺失值的估算器。对于数值，它使用mean、median和constant。对于分类值，它使用most frequently used和constant value。您还可以训练模型来预测缺失的标签。

我们在该教程中将学习Scikit-learn的SimpleImputer、IterativeImputer和KNNImputer。我们还将创建一个管道来插补分类和数字特征，并将它们馈入到机器学习模型中。 

scikit-learn的插补函数为我们提供了一个易于填充的选项，只需几行代码。我们可以整合这些Imputer，创建管道，以重现结果，并改进机器学习开发过程。

我们将使用Deepnote环境，它类似Jupyter Notebook，不过在云端。

从Kaggle下载和解压缩数据。必须安装Kaggle Python软件包，并使用API下载spaceship-titanic 数据集。最后，将数据解压缩到数据集文件夹中。

%%capture
!pip install kaggle
!kaggle competitions download -c spaceship-titanic
!unzip -d ./dataset spaceship-titanic

接下来，我们将导入所需的Python软件包，用于数据摄取、插补和创建转换管道。

import numpy as np
import pandas as pd
from sklearn.impute import SimpleImputer
from sklearn.experimental import enable_iterative_Imputer
from sklearn.impute import IterativeImputer,KNNImputer
from sklearn.pipeline import FeatureUnion,make_pipeline,Pipeline
from sklearn.compose import ColumnTransformer

Spaceship Titanic数据集是Kaggle入门预测竞赛的一部分。它由训练、测试和提交CSV文件组成。我们将使用train.csv，它含有关于太空飞船的乘客信息。

pandas read_csv()函数读取train.csv，然后显示数据框。

df = pd.read_csv("dataset/train.csv")

df 

图1

  我们在本节中将探索缺失值的列，但首先我们需要检查数据集的形状。它有8693行和14列。

df.shape

>>> (8693, 14)

我们现在将根据列显示缺失值计数和百分比。为了在数据框中显示它，我们将创建一个包含缺失值的新数据框，并将样式渐变应用于NA Count列。

NA = pd.DataFrame(data=[df.isna().sum().tolist(), ["{:.2f}".format(i)+'%' \
 for i in (df.isna().sum()/df.shape[0]*100).tolist()]], 
 columns=df.columns, index=['NA Count', 'NA Percent']).transpose()

NA.style.background_gradient(cmap="Pastel1_r", subset=['NA Count'])

图2

除了PassengerID和Transported外，每一列都有缺失值。

我们将使用缺失列中的信息，并将其分为分类列和数值列。我们以不同的方式对待它们。

若是数值插补，我们将选择Age列，并显示数字缺失值。它将帮助我们验证之前和之后的结果。

all_col = df.columns
cat_na = ['HomePlanet', 'CryoSleep','Destination','VIP']
num_na = ['Age','RoomService', 'FoodCourt', 'ShoppingMall', 'Spa', 'VRDeck']
data1 = df.copy()
data2 = df.copy()

data1['Age'].isna().sum()

>>> 179

data1.Age[0:5]

>>> 0 39.0
>>> 1 24.0
>>> 2 58.0
>>> 3 33.0
>>> 4 16.0

接下来，我们将使用sklearn的SimpleImputer，将其运用于Age列。它将用列的Average值替换缺失的数据。

正如我们所见，Age列中没有缺失值。

imp = SimpleImputer(strategy='mean')
data1['Age'] = imp.fit_transform(data1['Age'].values.reshape(-1, 1) )

data1['Age'].isna().sum()

>>> 0

如果是数值列，您可以使用constant、mean和median策略；如果是分类列，您可以使用most_frequent和constant策略。

  如果是分类插补，我们将使用包含201个缺失值的HomePlanet列。

data1['HomePlanet'].isna().sum()

>>> 201
 

data1.HomePlanet[0:5]

>>> 0 Europa
>>> 1 Earth
>>> 2 Europa
>>> 3 Europa
>>> 4 Earth

为了填充分类缺失值，我们将使用带有most_frequent策略的SimpleImputer。

mp = SimpleImputer(strategy="most_frequent")
data1['HomePlanet'] = imp.fit_transform(data1['HomePlanet'].values.reshape(-1, 1))

  我们已经填充了HomePlanet列中的所有缺失值。

data1['HomePlanet'].isna().sum()

>>> 0

在单变量Imputer中，缺失值使用相同的特征来计算，而在多变量Imputer中，算法使用整个可用特征维度集来预测缺失值。

我们将一次性插补数值列；正如我们所见，它们都有150多个缺失值。

data2[num_na].isna().sum()
 
 >>> Age 179
>>> RoomService 181
>>> FoodCourt 183
>>> ShoppingMall 208
>>> Spa 183
>>> VRDeck 188 

我们将使用具有10 max_iter的IterativeImputer来估计和填充数值列中的缺失值。该算法将在进行值估计时考虑所有列。

imp = IterativeImputer(max_iter=10, random_state=0)
data2[num_na] = imp.fit_transform(data2[num_na])

data2[num_na].isna().sum()
 
>>> Age 0
>>> RoomService 0
>>> FoodCourt 0
>>> ShoppingMall 0
>>> Spa 0
>>> VRDeck 0

为什么选择Scikit-learn的Imputer？除了Imputer外，该机器学习框架还提供特征转换、数据操作、管道和机器学习算法。它们都顺利整合。只需几行代码，您就可以对任何数据集进行插补、规范化、转换和训练模型。

我们在本节将学习如何将Imputer集成到机器学习项目中以获得更好的结果。

• 首先，我们将从sklearn导入相关函数。
• 然后，我们将删除不相关的列以创建X和Y变量。我们的目标列是“Transported”。
• 之后，我们将它们分成训练集和测试集。

from sklearn.preprocessing import LabelEncoder, StandardScaler, OrdinalEncoder
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
X,y = df.drop(['Transported','PassengerId','Name','Cabin'],axis = 1) , df['Transported']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=100, random_state=0)

要创建数值和分类转换数据管道，我们将使用sklearn的Pipeline函数。

如果是numeric_transformer，我们使用了：

• 具有2个n_neighbors和统一权重的KNNImputer。
• 在第二步中，我们使用了默认配置的StandardScaler。

如果是categorical_transformer，我们使用了：

• 具有most_frequent策略的SimpleImputer。
• 在第二步中，我们使用了OrdinalEncoder，将类别转换为数字。

 numeric_transformer = Pipeline(steps=[
 ('Imputer', KNNImputer(n_neighbors=2, weights="uniform")),
 ('scaler', StandardScaler())])

categorical_transformer = Pipeline(steps=[
 ('Imputer', SimpleImputer(strategy='most_frequent')),
 ('onehot', OrdinalEncoder())])

现在，我们将使用ColumnTransformer处理和转换训练特征。如果是numeric_transformer，我们为它提供了数值列列表；如果是categorical_transformer，我们将使用分类列列表。

注意：我们只是在准备管道和transformer。我们还没有处理任何数据。

preprocessor = ColumnTransformer(
 remainder = 'passthrough',
 transformers=[
 ('numeric', numeric_transformer, num_na),
 ('categorical', categorical_transformer, cat_na)
])

最后，我们将创建一个转换管道，含有processor和用于二进制分类任务的 DecisionTreeClassifier。该管道将先处理和转换数据，然后训练分类器模型。

transform = Pipeline(
 steps=[
 ("processing", preprocessor),
 ("DecisionTreeClassifier", DecisionTreeClassifier()),
 ]
)

这时候神奇的一幕发生了。我们将在transform管道上拟合训练数据集。之后，我们将使用测试数据集评估我们的模型。

我们在默认配置下获得了75%的准确率。效果不错！

model = transform.fit(X_train,y_train)
model.score(X_test, y_test)
>>> 0.75

接下来，我们将对测试数据集进行预测，并创建结构化分类报告。

from sklearn.metrics import classification_report
prediction = model.predict(X_test)
print(classification_report(prediction, y_test))

正如我们所见，True类和False类有稳定的分数。

 precision recall f1-score support

 False 0.70 0.74 0.72 43
 True 0.80 0.75 0.77 57
 accuracy 0.75 100
 macro avg 0.75 0.75 0.75 100
weighted avg 0.75 0.75 0.75 100

为了获得更准确的数据，科学家们使用深度学习方法来插补缺失值。同样，您必须决定构建一个系统需要多少时间和资源，以及它带来什么价值。在大多数情况下，Scikit-learn的Imputers提供了更大的价值，我们只需要几行代码来插补整个数据集。

我们在这篇博文中了解了插补以及Scikit-learn库在估计缺失值方面的工作原理。我们还学习了单变量、多变量、分类和数值插补。我们在最后一部分使用了数据管道、列转换器和机器学习管道，以插补、转换、训练和评估我们的模型。

原文标题：​​Using Scikit-learn’s Imputer​​​，作者：Abid Ali Awan​