Imputación KNN de valores categóricos

Una vez que todas las columnas categóricas del DataFrame se han convertido a valores ordinales, el DataFrame está listo para imputarse. La imputación con modelos estadísticos como K-Nearest Neighbors (KNN) ofrece mejores resultados.

En este ejercicio, vas a:

Usar la función KNN() de fancyimpute para imputar los valores faltantes en el DataFrame users codificado ordinalmente.
Convertir los valores ordinales de vuelta a sus categorías correspondientes usando el método .inverse_transform() del codificador ordinal.

Recuerda que ordinal_enc_dict almacena el OrdinalEncoder() de sklearn para cada columna. El DataFrame users almacena los valores codificados (valores ordinales) de cada columna.

La función KNN(), el diccionario de OrdinalEncoder()s ordinal_enc_dict y el DataFrame users ya se han cargado por ti.

Este ejercicio forma parte del curso

Cómo tratar datos faltantes en Python

Ver curso

Instrucciones del ejercicio

Imputa el DataFrame users usando el método fit_transform() de KNN_imputer. Redondea estos valores transformados para obtener enteros.
Itera sobre las columnas de users.
Selecciona el OrdinalEncoder() de la columna desde ordinal_enc_dict y realiza .inverse_transform() sobre el array reshaped (ya reformateado).

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Create KNN imputer
KNN_imputer = KNN()

# Impute 'users' DataFrame. It is rounded to get integer values
users_KNN_imputed.iloc[:, :] = np.round(___)

# Loop over the column names in 'users'
for col_name in ___:
    
    # Reshape the column data
    reshaped = users_KNN_imputed[col_name].values.reshape(-1, 1)
    
    # Select the column's Encoder and perform inverse transform on 'reshaped'
    users_KNN_imputed[col_name] = ___

Editar y ejecutar código