SimpleImputer-luokka on suunniteltu käsittelemään puuttuvia arvoja 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, jota käytetään puuttuvien arvojen imputointiin. Oletusarvo on 'mean';
• fill_value: määrittää arvon, jota käytetään puuttuvien arvojen täyttämiseen, 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.

Valinta tehdään strategy-parametrilla:

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

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