Machine learning 为什么在分类数据集中用-99999替换缺少的值

处理分类问题时，缺少用“？”表示的值，那么为什么是-99999呢

df.replace('?',-99999,inplace=True)

---

我们可以替换为任何非常大的数字，这样做的唯一目的是使其成为异常值，因为在大多数情况下，删除缺失的值会导致数据丢失

这取决于您最终将如何使用此数据。从数据清洁度的角度来看，在数字列中包含字符串并不好，因此从数据表示的角度来看，用

np.nan

（a

float

类型）或新的

pd.NA

替换可能是最好的主意。大多数型号不能使用这些值，但有些型号可以，例如

xgboost

。对于无法处理缺失值的模型（或者当您不希望模型在内部处理它们时），您需要确定插补的最佳方式

使用实际数据范围之外的值（如-99999）进行插补，对于树模型来说基本上是好的：它们不关心比例，所以你实际上只是说它比其他任何东西都小。不过，在逻辑回归等参数模型中，这将严重扰乱参数估计，我强烈建议不要这样做。添加缺失指标会有所帮助，但我仍然怀疑插补值如此之大会出现数字问题，因此均值/中位数或基于模型的插补会更好