Klassen SimpleImputer er designet til at håndtere manglende data ved automatisk at erstatte manglende værdier.

from sklearn.impute import SimpleImputer
imputer = SimpleImputer()

Ved initialisering kan den også tilpasses ved at angive dens parametre:

• missing_value: angiver pladsholderen for de manglende værdier. Som standard er dette np.nan;
• strategy: strategien der bruges til at imputere manglende værdier. 'mean' er standardværdien;
• fill_value: Angiver værdien, der skal bruges til at udfylde manglende værdier, når strategy er 'constant'. Som standard er dette None.

Som transformer har den følgende metoder:

Det er også nødvendigt at beslutte, hvilke værdier der skal bruges til imputering.

En almindelig tilgang er at erstatte manglende numeriske værdier med gennemsnittet og manglende kategoriske værdier med typetallet (mest hyppige værdi), da dette forvrænger datadistributionen minimalt.

Valget styres af parameteren strategy:

• strategy='mean': imputering med gennemsnittet af hver kolonne;
• strategy='median': imputering med medianen af hver kolonne;
• strategy='most_frequent': imputering med typetallet af hver kolonne;
• strategy='constant': imputering med en konstant værdi angivet i parameteren fill_value.

Parameteren missing_values definerer, hvilke værdier der behandles som manglende. Som standard er dette NaN, men i nogle datasæt kan det være en tom streng '' eller en anden pladsholder.

Når .fit_transform()-metoden fra SimpleImputer anvendes, returnerer den et 2D-array. Tildeling af værdier til en enkelt kolonne i en pandas DataFrame kræver et 1D-array (eller Series).

df['column'] = ...  # Requires 1D array or Series
imputer.fit_transform(df[['column']])  # Produces 2D array

Metoden .ravel() kan bruges til at flade arrayet ud til 1D før tildeling:

df['column'] = imputer.fit_transform(df[['column']]).ravel()

Dette sikrer, at de imputerede værdier er korrekt formateret og gemt i DataFrame-kolonnen.

Fremragende! Vi har håndteret problemet med manglende værdier i vores datasæt. Vi fjernede rækkerne med mere end én null og imputerede kolonnen 'sex' med den mest hyppige værdi – MALE.