Imputation avec MICE

Le paquet fancyimpute offre plusieurs modèles robustes de Machine Learning pour imputer les valeurs manquantes. Vous pouvez consulter la liste complète des estimateurs dans la documentation. Ici, nous utiliserons IterativeImputer, aussi appelé MICE, pour imputer les valeurs manquantes.

IterativeImputer effectue de multiples régressions sur des échantillons aléatoires des données, puis agrège les résultats pour imputer les valeurs manquantes. Vous utiliserez le DataFrame diabetes pour réaliser cette imputation.

Cette activité fait partie du cours

Gérer les données manquantes avec Python

Voir le cours

Instructions de l’exercice

Importez IterativeImputer depuis fancyimpute.
Copiez diabetes dans diabetes_mice_imputed.
Créez un objet IterativeImputer() et assignez-le à mice_imputer.
Imputez le DataFrame diabetes_mice_imputed.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import IterativeImputer from fancyimpute
___

# Copy diabetes to diabetes_mice_imputed
diabetes_mice_imputed = ___

# Initialize IterativeImputer
mice_imputer = ___

# Impute using fit_tranform on diabetes_mice_imputed
diabetes_mice_imputed.iloc[:, :] = ___

Modifier et exécuter le code