Python中的热甲板插补

我一直在尝试寻找Python代码，它允许我替换数据帧列中缺少的值。我分析的重点是生物统计学，所以我不习惯用平均值/中间值/模式替换值。我想应用这个方法

我在网上找不到任何Python函数或包，这些函数或包采用数据帧的列，并使用“Hot Deck插补”方法填充缺少的值

然而，我确实看到了这一点，并没有发现它有用

以下是我的一些数据的示例（假设这是一个数据帧）：

我想应用一个Python函数，该函数允许我输入一列作为参数，并使用“Hot Deck插补”方法返回缺失值替换为插补值的列

我使用它来对模型进行统计建模，例如使用

Statsmodels.api

的线性和逻辑回归。我不是用这个来学习机器

---

任何帮助都将不胜感激

您可以使用

ffill

，它使用

上一次观察结转

（LOCF）热代码插补

#。。。
df.fillna（method='ffill'，inplace=True）

Scikit learn插补提供KNN、Mean、Max和其他插补方法。（）

#sklearn'>=0.22.x'
从sklearn.impute导入KNI计算机
插补器=KNIMPUTER（n_近邻=2，权重=“统一”）
DF['imputed_x']=插补器.拟合_变换（DF['bmi']]
打印（DF['imputed_x']）

你愿意还是愿意？哪一种应该是“热代码插补”（LOCF）的类型？这两种方法有什么不同？我如何知道它们使用热代码插补？ffill使用上一次观察结转LOCF热代码插补。是否有更精确的方法来填充缺失值，排除平均值/模式/中间值？是，给我一秒钟。我将添加示例我尝试了您共享的代码：

impute=knimputer（n_neights=2，weights=“uniform”）

DF['imputed_x']=DF['bmi'].apply（lambda y:impute.fit_transform（y），axis=0）

打印（DF['imputed_x']）

我得到的错误如下：TypeError:（）得到一个意外的关键字参数“axis”，让我测试一下。已修复。查看

df['x']]

。获取数据帧而不是序列非常感谢您的帮助！你能解释一下如何确定“n_邻居”的最佳价值吗？

| age | sex | bmi  | anesthesia score | pain level |
|-----|-----|------|------------------|------------|
| 78  | 1   | 40.7 | 3                | 0          |
| 55  | 1   | 25.3 | 3                | 0          |
| 52  | 0   | 25.4 | 3                | 0          |
| 77  | 1   | 44.9 | 3                | 3          |
| 71  | 1   | 26.3 | 3                | 0          |
| 39  | 0   | 28.2 | 2                | 0          |
| 82  | 1   | 27   | 2                | 1          |
| 70  | 1   | 37.9 | 3                | 0          |
| 71  | 1   | NA   | 3                | 1          |
| 53  | 0   | 24.5 | 2                | NA         |
| 68  | 0   | 34.7 | 3                | 0          |
| 57  | 0   | 30.7 | 2                | 0          |
| 40  | 1   | 22.4 | 2                | 0          |
| 73  | 1   | 34.2 | 2                | 0          |
| 66  | 1   | NA   | 3                | 1          |
| 55  | 1   | 42.6 | NA               | NA         |
| 53  | 0   | 37.5 | 3                | 3          |
| 65  | 0   | 31.6 | 2                | 2          |
| 36  | 0   | 29.6 | 1                | 0          |
| 60  | 0   | 25.7 | 2                | NA         |
| 70  | 1   | 30   | NA               | NA         |
| 66  | 1   | 28.3 | 2                | 0          |
| 63  | 1   | 29.4 | 3                | 2          |
| 70  | 1   | 36   | 3                | 2          |