Caso práctico de enfermedad renal I: imputador categórico

Ahora continuarás explorando el uso de pipelines con un conjunto de datos que requiere bastante más preparación. El conjunto de datos de enfermedad renal crónica contiene tanto características categóricas como numéricas, pero también muchos valores ausentes. El objetivo es predecir quién tiene enfermedad renal crónica a partir de varios indicadores en sangre como características.

Como Sergey mencionó en el vídeo, conocerás una biblioteca nueva, sklearn_pandas, que te permite encadenar muchos más pasos de procesado dentro de un pipeline de los que actualmente admite scikit-learn. En concreto, podrás usar la clase DataFrameMapper() para aplicar cualquier transformador compatible con sklearn sobre columnas de un DataFrame, donde la salida resultante puede ser un array de NumPy o un DataFrame.

También hemos creado un transformador llamado Dictifier que encapsula la conversión de un DataFrame usando .to_dict("records") sin que tengas que hacerlo de forma explícita (y para que funcione dentro de un pipeline). Por último, también te proporcionamos la lista de nombres de características en kidney_feature_names, el nombre del objetivo en kidney_target_name, las características en X y el objetivo en y.

En este ejercicio, tu tarea es aplicar SimpleImputer de sklearn para imputar todas las columnas categóricas del conjunto de datos. Puedes tomar como plantilla cómo se creó el mapper de imputación numérica. ¿Ves los argumentos con nombre input_df=True y df_out=True? Sirven para que puedas trabajar con DataFrames en lugar de arrays. De forma predeterminada, a los transformadores se les pasa un array de numpy de las columnas seleccionadas como entrada y, en consecuencia, la salida del DataFrame mapper también es un array. Los transformadores de scikit-learn históricamente se han diseñado para funcionar con arrays de numpy, no con DataFrames de pandas, aunque sus interfaces básicas de indexación sean similares.