机器学习：数据特征预处理缺失值处理

机器学习：数据特征预处理缺失值处理

缺失值处理 删除：如果行或列数据缺失值达到一定比例，建议放弃整行或列 插补：填补列的平均值，中位数 numpy数组中的缺失值 nan/NaN 属于float类型 代码示例 from sklearn.preprocessing import Imputer import numpy as np # 缺失值处理 data = [ [1, 1, 3], [np.nan, 4, 6], [7, 3, 5] ] im = Imputer(missing_values="NaN", strategy="mean", axis=0) result = im.fit_transform(data) print(result) """ [[1. 1. 3.] [4. 4. 6.] [7. 3. 5.]] """

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。