Python cuml.experimental.preprocessing.SimpleImputer用法及代碼示例

用法:
class cuml.experimental.preprocessing.SimpleImputer(*args, **kwargs)

用於完成缺失值的插補轉換器。

參數：

missing_values：數字、字符串、np.nan(默認)或無

缺失值的占位符。所有出現的missing_values 都將被估算。對於帶有缺失值的可空整數 dtype 的 pandas 數據幀，應將 missing_values 設置為 np.nan ，因為 pd.NA 將轉換為 np.nan 。

strategy：字符串，默認='意思'

插補策略。

如果“mean”，則使用每列的平均值替換缺失值。隻能用於數值數據。
如果“median”，則使用沿每列的中值替換缺失值。隻能用於數值數據。
如果“most_frequent”，則使用每列中出現頻率最高的值替換缺失值。可用於字符串或數字數據。
如果“constant”，則用fill_value 替換缺失值。可用於字符串或數字數據。

strategy=”constant” 用於固定值插補。

fill_value：字符串或數值，默認=無

當 strategy == “constant” 時，fill_value 用於替換所有出現的 missing_values。如果保留默認值，則在輸入數值數據時fill_value 將為 0，而對於字符串或對象數據類型，“missing_value” 將為。

verbose：整數，默認=0

控製 imputer 的詳細程度。

copy：布爾值，默認 = True

如果為 True，將創建 X 的副本。如果為 False，則將盡可能就地進行插補。請注意，在以下情況下，將始終製作新副本，即使 copy=False ：

如果 X 不是浮點值數組；
如果 X 被編碼為 CSR 矩陣；
如果add_indicator=真。

add_indicator：布爾值，默認=假

如果為真，MissingIndicator 變換將疊加到 imputer 變換的輸出上。這允許預測估計器解釋缺失，盡管有插補。如果某個特征在擬合/訓練時沒有缺失值，則即使在變換/測試時存在缺失值，該特征也不會出現在缺失指示器上。

注意：

如果策略不是“constant”，則在transform() 時丟棄僅在fit() 處包含缺失值的列。

例子：

>>> import cupy as cp
>>> from cuml.preprocessing import SimpleImputer
>>> imp_mean = SimpleImputer(missing_values=cp.nan, strategy='mean')
>>> imp_mean.fit(cp.asarray([[7, 2, 3], [4, cp.nan, 6], [10, 5, 9]]))
SimpleImputer()
>>> X = [[cp.nan, 2, 3], [4, cp.nan, 6], [10, cp.nan, 9]]
>>> print(imp_mean.transform(cp.asarray(X)))
[[ 7.   2.   3. ]
 [ 4.   3.5  6. ]
 [10.   3.5  9. ]]

屬性：

statistics_：形狀數組(n_features，): 每個特征的插補填充值。計算統計信息會產生 np.nan 值。在 transform() 期間，與 np.nan 統計信息對應的特征將被丟棄。

相關用法

注：本文由純淨天空篩選整理自rapids.ai大神的英文原創作品 cuml.experimental.preprocessing.SimpleImputer。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。