Python 在Titanic Machine Learning train.csv中处理空数据点

在泰坦尼克号机器学习项目中的train.csv数据中，一些乘客的年龄数据丢失，因此熊猫模块将其填写为“NaN”，当将其输入sklearn算法时，它不接受该数据。我尝试了dataset.fillna（“”），但现在它变成了一个空字符串，而不是一个浮点。请派人来帮忙

---

fillna将Nan值替换为您编写的值，因此如果您编写“”，它将是一个空字符串。只要写下：

 dataset.fillna(0)

---

如果您需要区分0和Nan，您可以尝试将其替换为-1，这就是我们所做的。

在机器学习项目中，您可以使用许多方法来处理缺少的值：

删除所有缺少值的列

删除包含缺少值的行

将值设置为某个值（零、平均值、中值等）

对于第三种选择：

Scikit Learn提供了一个方便的类来处理缺少的值： 责难者。下面是如何使用它。首先，您需要创建一个插补器 实例，指定要替换每个缺少的属性 具有该属性中值的值：

结果是一个包含变换特征的普通Numpy数组。如果你想把它放回一个 熊猫数据框，很简单

注意：您也可以在定标器之前的管道中添加插补器

pipeline = make_pipeline(Imputer(strategy="median"),
                         StandardScaler(),
                         svm.SVC(kernel='rbf',C=0.1))

---

但是算法不会把0作为一个连续值吗？我希望这个年龄是空的，什么都没有。但算法会接受它作为真实数据。据我所知，没有办法给sklearn算法空值。我有一种情况，我在一次考试中得到了分数，当然，在0分或Nan分之间存在差异，这意味着他没有参加考试。我们尝试了两种方法来解决这个问题：如果测试分数是一个主要特征，那么你可以将人群分成参加测试的人和没有参加测试的人。如果在我的例子中，这是一个小特性，我们通过给它一个不同于其他值的-1来处理它，它工作得很好，但可能会有所不同，这取决于您的算法。另一种方法是用列替换Nanaverage@5Volts您需要按照Drza的建议估算Nan值。有各种各样的技术可以做到这一点。scikit learn包含一个或您可以完全删除该列。您需要测试什么最适合您。StandardScaler将使用Nan值抛出错误。输入者应该排在第一位。是的，你是对的@VivekKumar，我只是改变了顺序并编辑了我的答案；让我知道如何改进它

from sklearn.preprocessing import Imputer
imputer = Imputer(strategy="median") #or mean as you want 
x_train = imputer.fit_transform(x_train)
x_test = imputer.fit_transform(x_test)

pipeline = make_pipeline(Imputer(strategy="median"),
                         StandardScaler(),
                         svm.SVC(kernel='rbf',C=0.1))