SimpleImputer-luokka on suunniteltu käsittelemään puuttuvia tietoja korvaamalla ne automaattisesti.

from sklearn.impute import SimpleImputer
imputer = SimpleImputer()

Luokan alustusta voidaan mukauttaa asettamalla sen parametreja:

• missing_value: määrittää puuttuvien arvojen paikkamerkin. Oletuksena tämä on np.nan;
• strategy: strategia, jolla puuttuvat arvot täytetään. Oletusarvo on 'mean';
• fill_value: määrittää arvon, jolla puuttuvat arvot täytetään, kun strategy on 'constant'. Oletuksena tämä on None.

Koska kyseessä on muunnin (transformer), sillä on seuraavat metodit:

On myös tarpeen päättää, mitä arvoja käytetään imputointiin.

Yleinen tapa on korvata puuttuvat numeeriset arvot keskiarvolla ja puuttuvat kategoriset arvot moodilla (yleisin arvo), koska tämä vääristää aineiston jakaumaa mahdollisimman vähän.

Valintaa ohjataan strategy-parametrilla:

• strategy='mean': imputoi kunkin sarakkeen keskiarvolla;
• strategy='median': imputoi kunkin sarakkeen mediaanilla;
• strategy='most_frequent': imputoi kunkin sarakkeen moodilla;
• strategy='constant': imputoi vakiolla, joka määritetään fill_value-parametrissa.

missing_values-parametri määrittää, mitkä arvot tulkitaan puuttuviksi. Oletuksena tämä on NaN, mutta joissakin aineistoissa se voi olla tyhjä merkkijono '' tai muu paikkamerkki.

Kun .fit_transform()-luokan SimpleImputer-metodia käytetään, se palauttaa 2D-taulukon. Yhden sarakkeen arvojen asettaminen pandas DataFrameen vaatii 1D-taulukon (tai Seriesin).

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

.ravel()-metodia voidaan käyttää taulukon litistämiseen 1D-muotoon ennen sijoitusta:

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

Tämä varmistaa, että imputoidut arvot ovat oikeassa muodossa ja tallennetaan DataFrame-sarakkeeseen.

Hienoa! Käsittelimme puuttuvien arvojen ongelman aineistossamme. Poistimme rivit, joissa oli useampi kuin yksi puuttuva arvo, ja imputoimme 'sex'-sarakkeen yleisimmällä arvolla – MALE.