Python 如何处理sklearn中GradientBoostingClassifier中的大量缺失值

所有特征均为浮点数据类型，但也有一些特征以NaN为主。我尝试通过

GradientBoostingClassifier

训练模型，如下所示

train_x, test_x, train_y, test_y = train_test_split(features[feature_headers], features[target_header], test_size=0.33, random_state=int(time.time()))
clf = GradientBoostingClassifier(random_state=int(time.time()), learning_rate=0.1, max_leaf_nodes=None, min_samples_leaf=1, n_estimators=300, min_samples_split=2, max_features=None)
clf.fit(train_x, train_y)

但会抛出错误：

ValueError:输入包含NaN、无穷大或对数据类型（'float32'）太大的值

---

我不能用一些插补方法用平均数、中位数或最频繁数来填写NaN，因为从数据的角度来看，这没有任何意义。有没有更好的方法让分类器识别NaN并将其视为指示特征？非常感谢。

您必须执行数据清理。为此，您需要查看培训数据集中将包含哪些

列。对于float，您可以将所有
null
值替换为零

df.col1 = df.col1.fillna(0)

对于字符串，可以将其替换为默认值

df.col2 = df.DISTANCE_GROUP.fillna('')

现在，如果您想放置
平均值
或某个趋势值，您可以使用相同的学习算法预测缺失值并填充。为了运行该算法，首先替换空值，然后再使用更精确的预测值进行修改

注意：任何学习算法都不能使用空值运行

xgboost.XGBClassifier
handle
np.nan
无需插补

xgboost
具有易于使用的
sklearn
api

xgboost.XGBClassifier
基本上是非常接近的形式
GradientBoostingClassifier
，两者都是用于分类的梯度增强方法。请参见示例。
为什么不能用零替换NAN？考虑到大多数情况下人们都会插补缺失的NaN值，您的答案是非常具体的。所有列都是浮点格式，它们的范围可能是[负值，正值]，因此这意味着实际值可能是0，所以如果我用0填充NaN，这会是一个问题吗？谢谢@jonnybazookatoneAs@Harry_pb注意到，这应该是好的，特别是对于GBC。所有列都是浮点格式，它们的范围可能是[负值，正值]，因此这意味着实际值可能是0，所以如果我用0填充NaN，这会是个问题吗？谢谢@JasonZhu我个人使用0，正如我在回答中提到的，我们以后可以使用学习算法预测相同的值，但要运行算法，我们需要替换空值。我更喜欢0，因为它对学习值的方向影响不大。我明白了。谢谢顺便说一句，我有一个值为（'a'，'B'，None）的分类列，我将其编码为（1,2,0）。我应该这样做，还是将其保留为字符串格式，以便GradientBoostingClassifier在模型上进行训练？哪一个更好？你的编码还是OneHotEncoding。好的，谢谢两位@jonnybazookatone和Harry_pb