Imputation KNN de valeurs catégorielles

Une fois que toutes les colonnes catégorielles du DataFrame ont été converties en valeurs ordinales, le DataFrame est prêt à être imputé. L’imputation à l’aide de modèles statistiques comme K-Nearest Neighbors (KNN) fournit de meilleurs résultats.

Dans cet exercice, vous allez :

Utiliser la fonction KNN() de fancyimpute pour imputer les valeurs manquantes dans le DataFrame encodé ordinalement users.
Reconvertir les valeurs ordinales en leurs catégories respectives à l’aide de la méthode .inverse_transform() de l’encodeur ordinal.

Rappel : ordinal_enc_dict stocke le OrdinalEncoder() de sklearn pour chaque colonne. Le DataFrame users stocke les valeurs encodées (valeurs ordinales) pour chaque colonne.

La fonction KNN(), le dictionnaire d’OrdinalEncoder() ordinal_enc_dict et le DataFrame users ont déjà été chargés pour vous.

Cet exercice fait partie du cours

Gérer les données manquantes en Python

Afficher le cours

Instructions

Imputez le DataFrame users à l’aide de la méthode fit_transform() de KNN_imputer. Arrondissez les valeurs transformées pour obtenir des entiers.
Itérez sur les colonnes de users.
Sélectionnez l’OrdinalEncoder() de la colonne depuis ordinal_enc_dict et appliquez .inverse_transform() sur le tableau redimensionné reshaped.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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] = ___

Modifier et exécuter le code