Python 试图预测缺失值

我试图估算缺失值，不是用零或均值，而是用ML预测结果。我正在标准的“泰坦尼克号”数据集上测试我的想法，该数据集有大约80%的年龄记录被填写，但大约20%的年龄记录缺失。如何用简单线性回归模型的预测结果填充缺失值？下面是我正在测试的代码

import pandas as pd
from sklearn.linear_model import LinearRegression
linreg = LinearRegression()

data = pd.read_csv('C:\\Users\\ryans\\seaborn-data\\titanic.csv')
print(data)
list(data)
data.dtypes


data_with_null = data[['survived','pclass','sibsp','parch','fare','age']]

data_without_null = data_with_null.dropna()
train_data_x = data_without_null.iloc[:,:5]
train_data_y = data_without_null.iloc[:,5]

linreg.fit(train_data_x,train_data_y)

test_data = data_with_null.iloc[:,:5]
age = pd.DataFrame(linreg.predict(test_data))

# check for nulls
data_with_null.apply(lambda x: sum(x.isnull()),axis=0)

到目前为止，一切都正常，但当我尝试“填充”时，会出现错误

data_with_null.age.fillna(age,inplace=True)

正上方的代码行显示此错误：

TypeError：“value”参数必须是标量、dict或序列，但您传递了“DataFrame”

类似地，上面的代码行显示了此错误：

---

TypeError:

apply（）缺少1个必需的位置参数：'func'

data\u with_null['age'].fillna（data\u with_null[data\u with_null['age'].isnull（）].apply（axis=1），inplace=True）

这里的

.apply（）

函数缺少一个参数，它需要一个类似于

data\u with_with_.apply的函数（lambda x:sum（x.isnull（）），axis=0）

对于第一个错误，请尝试：

age=list（linreg.predict（test\u data））

而不是

age=pd.DataFrame（linreg.predict（test\u data））

data\u with\u null.age.fillna（age，inplace=True）

在这里，您正在传递一个数据帧，只需使用DFOh的一列，是的，现在我看到了！！谢谢大家！！

data\u with_null['age'].fillna（data\u with_null['age'].isnull（）。apply（axis=1），inplace=True）

在

中

function如果缺少一个参数，则需要一个类似于

data\u中的函数，该函数的值为null.apply（lambda x:sum（x.isnull（）），axis=0）

对于第一个错误，请尝试：

age=list（linreg.predict（test\u data））

而不是

age=pd.DataFrame（linreg.predict（test\u data））

data\u的值为null.age.fillna（age，inplace=True）

这里您正在传递一个数据帧，只需使用DFOh的一列，是的，现在我看到了！！谢谢大家！！

data_with_null['age'].fillna(data_with_null[data_with_null['age'].isnull()].apply(axis=1),inplace=True)