- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
这与我发布的问题有关here但这个更具体、更简单。
我有一个 pandas DataFrame,其索引是唯一的用户标识符,列对应于唯一的事件,值 1(参加)、0(未参加)或 NaN(未受邀/不相关)。对于 NaN,矩阵非常稀疏:有数百个事件,大多数用户最多只被邀请参加几十个。
我创建了一些额外的列来衡量“成功”,我将其定义为相对于邀请的出席率:
my_data['invited'] = my_data.count(axis=1)
my_data['attended'] = my_data.sum(axis=1)-my_data['invited']
my_data['success'] = my_data['attended']/my_data['invited']
我现在的目标是对事件/列进行特征选择,从最基本的基于方差的方法开始:去除方差低的那些。然后我会查看事件的线性回归,并只保留那些具有大系数和小 p 值的事件。
但我的问题是我有太多 NaN,我不确定处理它们的正确方法是什么,因为大多数 scikit-learn
方法都会因为它们而给我错误。一种想法是用 -1 替换“未参加”,用 0 替换“未受邀”,但我担心这会改变事件的重要性。
谁能建议在不改变每个特征/事件的统计显着性的情况下处理所有这些 NaN 的正确方法?
编辑:我想补充一点,如果有一个合理的指标可以让我继续进行特征选择,我很乐意从上面更改我的“成功”指标.我只是想确定哪些事件可以有效地吸引用户兴趣。它非常开放,主要是练习特征选择。
谢谢!
最佳答案
如果我理解正确,您希望从 NaN 中清除数据而不显着改变其中的统计属性 - 以便您可以在事后运行一些分析。
我实际上最近遇到了类似的事情,您可能感兴趣的一种简单方法是使用 sklearn 的“Imputer”。正如 EdChum 前面提到的,一种想法是用轴上的均值代替。其他选项包括例如用中位数替换。
类似于:
from sklearn.preprocessing import Imputer
imp = Imputer(missing_values='NaN', strategy='mean', axis=1)
cleaned_data = imp.fit_transform(original_data)
在这种情况下,这会将 NaN 替换为每个轴上的平均值(例如,让我们按事件估算,因此轴 = 1)。然后,您可以对清理后的数据进行舍入以确保获得 0 和 1。
我会按事件为数据绘制一些直方图,以健全地检查这种预处理是否显着改变了你的分布——因为我们可能通过将如此多的值交换为均值/众数/中值而引入了太多的偏差每个轴。
引用链接:http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.Imputer.html
更进一步(假设以上还不够),您可以交替执行以下操作:
然后使用伯努利分布生成的随机数替换每个事件列中的 NaN 数,我们将其与您估计的“p”相匹配,大致如下:
将 numpy 导入为 np
n = 1 # 试验次数
p = 0.25 # 每次试验的估计概率(即替换为参加人数/总人数)
s = np.random.binomial(n, p, 1000)
# s 现在随机包含一堆 1 和 0,您可以将每列上的 NaN 值替换为
同样,这本身并不完美,您最终仍然会略微偏向您的数据(例如,更准确的方法是考虑每个用户跨事件的数据依赖性)——但通过从一个大致匹配的分布,这至少应该比用平均值等任意替换更稳健。
希望这对您有所帮助!
关于Python:如何正确处理 pandas DataFrame 中的 NaN,以便在 scikit-learn 中进行特征选择,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/29110135/
基本上,我的问题是,由于无监督学习是机器学习的一种,是否需要机器“学习”的某些方面并根据其发现进行改进?例如,如果开发了一种算法来获取未标记的图像并找到它们之间的关联,那么它是否需要根据这些关联来改进
生成模型和判别模型似乎可以学习条件 P(x|y) 和联合 P(x,y) 概率分布。但从根本上讲,我无法说服自己“学习概率分布”意味着什么。 最佳答案 这意味着您的模型要么充当训练样本的分布估计器,要么
是否有类似于 的 scikit-learn 方法/类元成本 在 Weka 或其他实用程序中实现的算法以执行常量敏感分析? 最佳答案 不,没有。部分分类器提供 class_weight和 sample_
是否Scikit-learn支持迁移学习?请检查以下代码。 型号 clf由 fit(X,y) 获取 jar 头型号clf2在clf的基础上学习和转移学习 fit(X2,y2) ? >>> from s
我发现使用相同数据的两种交叉验证技术之间的分类性能存在差异。我想知道是否有人可以阐明这一点。 方法一:cross_validation.train_test_split 方法 2:分层折叠。 具有相同
我正在查看 scikit-learn 文档中的这个示例:http://scikit-learn.org/0.18/auto_examples/model_selection/plot_nested_c
我想训练一个具有很多标称属性的数据集。我从一些帖子中注意到,要转换标称属性必须将它们转换为重复的二进制特征。另外据我所知,这样做在概念上会使数据集稀疏。我也知道 scikit-learn 使用稀疏矩阵
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时,我收到此警告: 用户
有几种算法可以构建决策树,例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法? 当我查看一些决策树 python 脚本时,它神奇地生成了带有
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时,我收到此警告: 用户
有几种算法可以构建决策树,例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法? 当我查看一些决策树 python 脚本时,它神奇地生成了带有
有没有办法让 scikit-learn 中的 fit 方法有一个进度条? 是否可以包含自定义的类似 Pyprind 的内容? ? 最佳答案 如果您使用 verbose=1 初始化模型调用前 fit你应
我正在使用基于 rlglue 的 python-rl q 学习框架。 我的理解是,随着情节的发展,算法会收敛到一个最优策略(这是一个映射,说明在什么状态下采取什么行动)。 问题 1:这是否意味着经过若
我正在尝试使用 grisSearchCV 在 scikit-learn 中拟合一些模型,并且我想使用“一个标准错误”规则来选择最佳模型,即从分数在 1 以内的模型子集中选择最简约的模型最好成绩的标准误
我正在尝试离散数据以进行分类。它们的值是字符串,我将它们转换为数字 0,1,2,3。 这就是数据的样子(pandas 数据框)。我已将数据帧拆分为 dataLabel 和 dataFeatures L
每当我开始拥有更多的类(1000 或更多)时,MultinominalNB 就会变得非常慢并且需要 GB 的 RAM。对于所有支持 .partial_fit()(SGDClassifier、Perce
我需要使用感知器算法来研究一些非线性可分数据集的学习率和渐近误差。 为了做到这一点,我需要了解构造函数的一些参数。我花了很多时间在谷歌上搜索它们,但我仍然不太明白它们的作用或如何使用它们。 给我带来更
我知道作为功能 ordinal data could be assigned arbitrary numbers and OneHotEncoding could be done for catego
这是一个示例,其中有逐步的过程使系统学习并对输入数据进行分类。 它对给定的 5 个数据集域进行了正确分类。此外,它还对停用词进行分类。 例如 输入:docs_new = ['上帝就是爱', '什么在哪
我有一个 scikit-learn 模型,它简化了一点,如下所示: clf1 = RandomForestClassifier() clf1.fit(data_training, non_binary
我是一名优秀的程序员,十分优秀!