Enkel imputering
Som du såg i föregående övning kan det bli för stora datamängdsförluster om man tar bort data. I ett intervjusammanhang kan det leda till snedvridna resultat i din maskininlärningsmodell.
Ett mer dynamiskt sätt att hantera saknade värden är att imputera dem. Det finns flera sätt att göra det i Python, men i den här övningen använder du funktionen SimpleImputer() från modulen sklearn.impute på loan_data.
Därefter använder du pandas och numpy för att konvertera den imputerade datamängden till en DataFrame.
Observera att 2 steg nu har lagts till i pipelinen, Instantiate och Fit:
Den här övningen är en del av kursen
Öva på maskininlärningsintervjufrågor i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Import imputer module
from sklearn.impute import SimpleImputer
# Subset numeric features: numeric_cols
numeric_cols = ____.____(include=[____.____])