Python中怎么利用KNN算法处理缺失数据

这篇文章将为大家详细讲解有关python中怎么利用KNN算法处理缺失数据，文章内容质量较高，因此小编分享给大家做个参考，希望大家阅读完这篇文章后对相关知识有一定的了解。

KNN代表" K最近邻居"，这是一种简单算法，可根据定义的最接近邻居数进行预测。 它计算从您要分类的实例到训练集中其他所有实例的距离。

正如标题所示，我们不会将算法用于分类目的，而是填充缺失值。 本文将使用房屋价格数据集，这是一个简单而著名的数据集，仅包含500多个条目。

这篇文章的结构如下：

• 数据集加载和探索

• KNN归因

• 归因优化

•  结论

数据集加载和探索

如前所述，首先下载房屋数据集。 另外，请确保同时导入了Numpy和pandas。 这是前几行的外观：

默认情况下，数据集缺失值非常低-单个属性中只有五个：

让我们改变一下。 您通常不会这样做，但是我们需要更多缺少的值。 首先，我们创建两个随机数数组，其范围从1到数据集的长度。  第一个数组包含35个元素，第二个数组包含20个(任意选择)：

i1 = np.random.choice(a=df.index, size=35)  i2 = np.random.choice(a=df.index, size=20)

这是第一个数组的样子：

您的数组将有所不同，因为随机化过程是随机的。 接下来，我们将用NAN替换特定索引处的现有值。 这是如何做：

df.loc[i1, 'INDUS'] = np.nan  df.loc[i2, 'TAX'] = np.nan

现在，让我们再次检查缺失值-这次，计数有所不同：

这就是我们从归因开始的全部前置工作。 让我们在下一部分中进行操作。

KNN归因

整个插补可归结为4行代码-其中之一是库导入。  我们需要sklearn.impute中的KNNImputer，然后以一种著名的Scikit-Learn方式创建它的实例。 该类需要一个强制性参数–  n_neighbors。 它告诉冒充参数K的大小是多少。

首先，让我们选择3的任意数字。稍后我们将优化此参数，但是3足以启动。  接下来，我们可以在计算机上调用fit_transfORM方法以估算缺失的数据。

最后，我们将结果数组转换为pandas.DataFrame对象，以便于解释。 这是代码：

from sklearn.impute import KNNImputer  imputer = KNNImputer(n_neighbors=3) imputed = imputer.fit_transform(df) df_imputed = pd.DataFrame(imputed, columns=df.columns)

非常简单。 让我们现在检查缺失值：

尽管如此，仍然存在一个问题-我们如何为K选择正确的值?

归因优化

该住房数据集旨在通过回归算法进行预测建模，因为目标变量是连续的(MEDV)。  这意味着我们可以训练许多预测模型，其中使用不同的K值估算缺失值，并查看哪个模型表现最佳。

但首先是导入。 我们需要Scikit-Learn提供的一些功能-将数据集分为训练和测试子集，训练模型并进行验证。 我们选择了"随机森林"算法进行训练。  RMSE用于验证：

from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_squared_error  rmse = lambda y, yhat: np.sqrt(mean_squared_error(y, yhat))

以下是执行优化的必要步骤：

迭代K的可能范围-1到20之间的所有奇数都可以

• 使用当前的K值执行插补

• 将数据集分为训练和测试子集

• 拟合随机森林模型

• 预测测试集

• 使用RMSE进行评估

听起来很多，但可以归结为大约15行代码。 这是代码段：

def optimize_k(data, target):     errors = []     for k in range(1, 20, 2):         imputer = KNNImputer(n_neighbors=k)         imputed = imputer.fit_transform(data)         df_imputed = pd.DataFrame(imputed, columns=df.columns)                  X = df_imputed.drop(target, axis=1)         y = df_imputed[target]         X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)          model = RandomForestRegressor()         model.fit(X_train, y_train)         preds = model.predict(X_test)         error = rmse(y_test, preds)         errors.append({'K': k, 'RMSE': error})              return errors

现在，我们可以使用修改后的数据集(在3列中缺少值)调用optimize_k函数，并传入目标变量(MEDV)：

k_errors = optimize_k(data=df, target='MEDV')

就是这样! k_errors数组如下所示：

以视觉方式表示：

关于Python中怎么利用KNN算法处理缺失数据就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。