腎臟疾病案例研究 I：類別型補值器

現在你要在需要更多前處理的資料集上，繼續練習如何使用 pipeline。這個慢性腎臟疾病資料集同時包含類別型與數值型特徵，但有許多遺漏值。目標是根據各種血液指標等特徵，預測哪些人罹患慢性腎臟疾病。

正如 Sergey 在影片中提到的，你會接觸一個新的函式庫 sklearn_pandas，它讓你在 pipeline 中串接比 scikit-learn 目前原生支援更多的前處理步驟。特別是你可以使用 DataFrameMapper() 類別，將任何與 sklearn 相容的轉換器套用到 DataFrame 的欄位上，而且輸出可以是 NumPy 陣列或 DataFrame。

我們也建立了一個名為 Dictifier 的轉換器，將 DataFrame 轉成 .to_dict("records")，而且不需要你手動呼叫（並確保可在 pipeline 中運作）。最後，我們也提供了特徵名稱清單 kidney_feature_names、目標名稱 kidney_target_name、特徵 X，以及目標 y。

在本練習中，你的任務是套用 sklearn 的 SimpleImputer，對資料集中所有類別型欄位進行補值。你可以參考數值型補值 mapper 的建立方式作為範本。注意關鍵參數 input_df=True 與 df_out=True。這樣你才能以 DataFrame（而不是陣列）進行操作。預設情況下，轉換器會接收所選欄位組成的 numpy 陣列作為輸入，因此 DataFrame mapper 的輸出也會是陣列。歷史上，scikit-learn 的轉換器主要是為 numpy 陣列設計，而非 pandas DataFrame，儘管它們在基本索引介面上很相似。

本練習屬於課程

使用 XGBoost 的極端梯度提升

檢視課程

練習說明

使用 DataFrameMapper() 與 SimpleImputer() 套用類別型補值器。SimpleImputer() 不需要傳入任何參數。欄位已包含在 categorical_columns。請記得指定 input_df=True 與 df_out=True，並在串列推導中使用 category_feature 作為迭代變數。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

# Import necessary modules
from sklearn_pandas import DataFrameMapper
from sklearn.impute import SimpleImputer

# Check number of nulls in each feature column
nulls_per_column = X.isnull().sum()
print(nulls_per_column)

# Create a boolean mask for categorical columns
categorical_feature_mask = X.dtypes == object

# Get list of categorical column names
categorical_columns = X.columns[categorical_feature_mask].tolist()

# Get list of non-categorical column names
non_categorical_columns = X.columns[~categorical_feature_mask].tolist()

# Apply numeric imputer
numeric_imputation_mapper = DataFrameMapper(
                                            [([numeric_feature], SimpleImputer(strategy="median")) for numeric_feature in non_categorical_columns],
                                            input_df=True,
                                            df_out=True
                                           )

# Apply categorical imputer
categorical_imputation_mapper = ____(
                                                [(category_feature, ____) for ____ in ____],
                                                input_df=____,
                                                df_out=____
                                               )

編輯並執行程式碼