Machine learning scikit学习另一特征标称值组内特征的插补平均值

我想插补一个特征的平均值，但仅根据另一列中具有相同类别/标称值的其他示例计算平均值，我想知道使用scikit learn的插补器类是否可行？这样做只会使添加到管道中更容易

例如：

使用kaggle的泰坦尼克号数据集：

我将如何计算每个

pclass

的平均

票价

。其背后的想法是，不同阶层的人在票价上会有很大的差异

更新：在与一些人讨论后，我本应该使用的短语是“在课堂上计算平均值”

---

我已经研究了下面的评论，当我有时间做我想做的事情时，我会构造一个通用的管道函数：）我有一个很好的主意如何做，当它完成后，我会发布一个答案。

所以下面是一个非常简单的方法来回答我的问题，只是为了处理事情的方式。一个更健壮的实现可能涉及使用scikit learn中的插补器类，这意味着它还可以执行模式、中值等操作，并且能够更好地处理稀疏/密集矩阵

这是基于Vivek Kumar对原始问题的评论，该评论建议将数据拆分成堆栈，然后以这种方式进行插补，然后重新组合

将numpy导入为np
来自sklearn.base导入BaseEstimator，TransformerMixin
带有InclusasMeansImputter的类（基本估计量，转换项）：
def_uuuinit_uuu（self，replace_col_index，class_col_index=None，missing_value=np.nan）：
self.missing_值=missing_值
self.replace\u col\u index=replace\u col\u index
self.y=None
self.class\u col\u index=class\u col\u index
def配合（自身、X、y=无）：
self.y=y
回归自我
def变换（自，X）：
y=self.y
类别=np.唯一（y）
堆栈=[]
如果len（X）>1且len（self.y）=len（X）：
如果（self.class\u col\u index==无）：
#如果我们用的是因变量
对于类中的aclass：
_缺失=X[（y==aclass）&
（X[：，self.replace_col_index]==self.missing_值）]
无_缺失=X[（y==aclass）&
（X[：，self.replace_col_index]！=self.missing_值）]
列=不缺少列[：，self.replace\u col\u index]
#根据示例计算平均值，无遗漏值
平均值=np.mean（列[不缺少[：，self.replace\u col\u index]！=self.missing\u值]）
#广播所有缺失值的平均值
缺少[：，self.replace\u col\u index]=平均值
stacks.append（np.concatenate（（缺少_，没有缺少_）））
其他：
#如果我们在二值化功能中使用标称值（即类
#在标称列中是否有唯一值（例如性别）
对于类中的aclass：
带有_missing=X[（X[：，self.class\u col\u index]==aclass）&
（X[：，self.replace_col_index]==self.missing_值）]
没有_missing=X[（X[：，self.class\u col\u index]==aclass）&
（X[：，self.replace_col_index]！=self.missing_值）]
列=不缺少列[：，self.replace\u col\u index]
#根据示例计算平均值，无遗漏值
平均值=np.mean（列[不缺少[：，self.replace\u col\u index]！=self.missing\u值]）
#广播所有缺失值的平均值
缺少[：，self.replace\u col\u index]=平均值
stacks.append（np.concatenate（（缺少_，没有缺少_）））
如果len（堆栈）>1：
#重新组合我们的价值观
X=np.串联（堆栈）
返回X

您可以按照

pclass

分割数据，为它们计算

票价

，然后再次叠加以生成完整的数据。谢谢@VivekKumar！作为我的管道的一部分，我将对此进行研究。您可以查看以获得实现自己的类的提示，这些类可以在管道中使用。此外，您可能还应该在

fit

时间学习相关统计信息，以便测试数据不会使用自己的分布进行插补。