Bù khuyết cho biến phân loại bằng KNN

Khi tất cả các cột phân loại trong DataFrame đã được chuyển thành giá trị thứ bậc (ordinal), DataFrame đã sẵn sàng để bù khuyết. Bù khuyết bằng các mô hình thống kê như K-Nearest Neighbors (KNN) thường cho kết quả tốt hơn.

Trong bài tập này, bạn sẽ

Dùng hàm KNN() từ fancyimpute để bù các giá trị thiếu trong DataFrame đã mã hóa thứ bậc users.
Chuyển các giá trị thứ bậc về lại nhãn phân loại ban đầu bằng phương thức .inverse_transform() của bộ mã hóa thứ bậc.

Nhớ rằng, ordinal_enc_dict lưu OrdinalEncoder() của sklearn cho từng cột. DataFrame users lưu các giá trị đã mã hóa (giá trị thứ bậc) cho mỗi cột.

Hàm KNN(), từ điển các OrdinalEncoder() ordinal_enc_dict và DataFrame users đã được nạp sẵn cho bạn.

Bài tập này là một phần của khóa học

Xử lý Dữ liệu Khuyết trong Python

Xem khóa học

Hướng dẫn bài tập

Bù khuyết DataFrame users bằng phương thức fit_transform() của KNN_imputer. Làm tròn các giá trị đã biến đổi để thu được số nguyên.
Lặp qua các cột trong users.
Chọn OrdinalEncoder() của cột từ ordinal_enc_dict và thực hiện .inverse_transform() trên mảng đã được đổi hình dạng reshaped.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# 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] = ___

Chỉnh sửa và Chạy Mã