Python 3.x 插补器的X=插补器的fit（X[：，1:3]）代表什么，插补器的fit（X[：，1:3]）是什么意思？

我正在对一个数据集进行预处理，我得到了该行的错误原因 插补器=插补器拟合（X[：，1:3]）。我不明白？我理解imputer=imputer（missing_values=“NaN”，strategy=“mean”），意味着用列和行中的平均值替换缺少的值。那么，我们是否在尝试将数据拟合到模型中，这是我不理解的

import pandas as pd 
from sklearn import svm
import matplotlib.pylot as plt %matplotlib inline

from sklearn.preprocessing import Imputer
import seaborn as sns; sns.set(font_scale=1.2)

stock=pd.read_csv("C:/Users/Dulangi/Downloads/winequality-red.csv")
stock.head()

g=sns.lmplot('alcohol','quality',data=stock,height=7, truncate=True, scatter_kws={"s":100})
imputer = Imputer(missing_values = "NaN", strategy = "mean", axis = 0)

imputer = imputer.fit(X[:,1:3])

我得到的错误

NameError                                 Traceback (most recent call last)
<ipython-input-4-620c08822929> in <module>
     14 imputer = Imputer(missing_values = "NaN", strategy = "mean", axis = 0)
     15 
---> 16 imputer = imputer.fit(X[:,1:3])

NameError: name 'X' is not defined

NameError                                 Traceback (most recent call last)
<ipython-input-4-620c08822929> in <module>
     14 imputer = Imputer(missing_values = "NaN", strategy = "mean", axis = 0)
     15 
---> 16 imputer = imputer.fit(X[:,1:3])

NameError: name 'X' is not defined

NameError回溯（最近一次呼叫上次）
在里面
14插补器=插补器（缺失_值=“NaN”，策略=“平均值”，轴=0）
15
--->16插补器=插补器拟合（X[：，1:3]）
名称错误：未定义名称“X”
NameError回溯（最近一次呼叫上次）
在里面
14插补器=插补器（缺失_值=“NaN”，策略=“平均值”，轴=0）
15
--->16插补器=插补器拟合（X[：，1:3]）
名称错误：未定义名称“X”

这是什么意思：
+

simplemputer.fit（X_系列）

，
+

SimpleImputer.transform（X\u有效）

或

SimpleImputer.transform（X\u测试）

让我先试着回答这个问题：

插补器基本上会找到缺失的值，然后根据策略进行替换。如您所见，在下面的代码示例中，我使用了

strategy=mean

，这意味着给定一个数据

X_列

，您可以在它的每一列中找到

mean

，然后用为相应列计算的

mean

值替换缺少的值

现在，一旦您执行了

SimpleImputer.fit（X_train）

，您就已经有了用于插补的

平均值。接下来，当您应用
SimpleImputer.transform（X_测试）
时，您实际上也在通过先前计算的
平均值
来插补缺失的值

技术方案
看起来您正试图从
sklearn.preprocessing
导入
插补器。根据sklearn版本0.21.3的定义，没有类似于
sklearn.preprocessing.Imputer的内容

相反，请使用以下命令：

来自sklearn.impute导入SimpleImputer
将numpy作为np导入
作为pd进口熊猫
#插补
my_inputer=SimpleImputer（缺少_值=np.nan，strategy='mean'）
插补的X_列=pd.数据帧（my_插补器.fit_变换（X_列））
imputed_X_valid=pd.DataFrame（my_imputer.transform（X_valid））
#插补删除列名；把它们放回去
插补的列=X列=X列
插补_X_valid.columns=X_valid.columns

一些有用的资源：
我将鼓励您查看这些资源





这个问题可以通过如下定义X来解决，也可以引入y来插补
X=stock.iloc[：，0:5]。值
y=stock.iloc[：，5]。值
我们使用sci工具包库中的插补器，也就是说，为了填充缺失值，我们使用数据集中所考虑列的平均值或模式来填充缺失值

在[：，1:3]中，逗号前面的左侧表示选择数据集中的所有行，您甚至可以指定要选择的行的范围，而不是：假设我们说的是1:10，然后它选择前10行

逗号后面的右边表示选择前3列，从1:3开始，我们甚至可以说：表示选择所有列

然后fit实际存储在训练数据集上计算的平均值或模式值，使用我们指定的策略填充缺失值，然后在转换期间在测试数据上使用它

参考这些以获得更好的想法



您必须将数据集值分配到
X
变量中，正如我在下面提到的那样

如果正在运行内核，请确保不应在内核中重置变量值

import pandas as pd 
from sklearn import svm
import matplotlib.pylot as plt %matplotlib inline

from sklearn.preprocessing import Imputer
import seaborn as sns; sns.set(font_scale=1.2)

stock=pd.read_csv("C:/Users/Dulangi/Downloads/winequality-red.csv")
stock.head()

g=sns.lmplot('alcohol','quality',data=stock,height=7, truncate=True, scatter_kws={"s":100})
X = stock.iloc[ : , :-1].values 
imputer = Imputer(missing_values = "NaN", strategy = "mean", axis = 0)
imputer = imputer.fit(X[:,1:3])

你的主要问题是关于“插补者”。您在此处提出的建议特定于您当前的数据集。它可能适用于也可能不适用于其他人的插补需求。此外，您的数据在本地可用。如果其他人希望复制该问题，则该问题将不可用。然而，如果你建议一种本质上是通用的方法，以便其他访问者可以使用它，那将是非常好的。你可以做些事情来提高你的问题的质量：（1）给出一个简单的、可复制的数据集。（2） 如果您有错误日志，请在单独的
代码块中共享，以便其他人在需要时查看。（3） 使用#标题和#副标题、
代码块
，以及其他可用的允许选项，在stackoverflow上进行降价，制作单独的部分。这使你的问题在陈述中更具可读性和清晰性。（4） 如果可能的话，提供
预期结果
，以便人们能够验证和评估他们的答案的有效性。