這篇文章主要介紹如何解決python缺失值的問題，文中介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們一定要看完！

在濱江等地區(qū)，都構(gòu)建了全面的區(qū)域性戰(zhàn)略布局，加強(qiáng)發(fā)展的系統(tǒng)性、市場(chǎng)前瞻性、產(chǎn)品創(chuàng)新能力，以專注、極致的服務(wù)理念，為客戶提供網(wǎng)站設(shè)計(jì)制作、成都網(wǎng)站設(shè)計(jì) 網(wǎng)站設(shè)計(jì)制作按需求定制制作,公司網(wǎng)站建設(shè),企業(yè)網(wǎng)站建設(shè),成都品牌網(wǎng)站建設(shè),網(wǎng)絡(luò)營(yíng)銷推廣,成都外貿(mào)網(wǎng)站制作,濱江網(wǎng)站建設(shè)費(fèi)用合理。

1、解決方法

（1）忽視元組。

缺少類別標(biāo)簽時(shí)，通常這樣做(假設(shè)挖掘任務(wù)與分類有關(guān))，除非元組有多個(gè)屬性缺失值，否則該方法不太有效。當(dāng)個(gè)屬性缺值的百分比變化很大時(shí)，其性能特別差。

（2）人工填寫缺失值。

一般來說，這種方法需要很長(zhǎng)時(shí)間，當(dāng)數(shù)據(jù)集大且缺少很多值時(shí)，這種方法可能無法實(shí)現(xiàn)。

（3）使用全局常量填充缺失值。

將缺失的屬性值用同一常數(shù)(如Unknown或負(fù)無限)替換。如果缺失值都是用unknown替換的話，挖掘程序可能會(huì)認(rèn)為形成有趣的概念。因?yàn)橛型瑯拥膬r(jià)值unknown。因此，這種方法很簡(jiǎn)單，但不可靠。

（4）使用與給定元組相同類型的所有樣本的屬性平均值。

（5）使用最可能的值填充缺失值。

可以通過回歸、使用貝葉斯形式化的基于推理的工具和決策樹的總結(jié)來決定。

2、實(shí)例

import numpy as np
 
from sklearn.preprocessing import Imputer
 
imp = Imputer(missing_values='NaN', strategy='mean', axis=0)
 
import numpy as np
from sklearn.preprocessing import Imputer
 
###1.使用均值填充缺失值
imp = Imputer(missing_values='NaN', strategy='mean', axis=0)
imp.fit([[1, 2], [np.nan, 3], [7, 6]])
 
X = [[np.nan, 2], [6, np.nan], [7, 6]]
print(imp.transform(X))  
[[4.         2.        ]
 [6.         3.66666667]
 [7.         6.        ]]

以上是“如何解決python缺失值的問題”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對(duì)大家有幫助，更多相關(guān)知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道！