創(chuàng)新互聯(lián)www.cdcxhl.cn八線動態(tài)BGP香港云服務器提供商,新人活動買多久送多久,劃算不套路!
在貢覺等地區(qū),都構建了全面的區(qū)域性戰(zhàn)略布局,加強發(fā)展的系統(tǒng)性、市場前瞻性、產品創(chuàng)新能力,以專注、極致的服務理念,為客戶提供網(wǎng)站制作、網(wǎng)站建設 網(wǎng)站設計制作按需求定制制作,公司網(wǎng)站建設,企業(yè)網(wǎng)站建設,品牌網(wǎng)站制作,成都全網(wǎng)營銷,外貿網(wǎng)站建設,貢覺網(wǎng)站建設費用合理。小編給大家分享一下python出現(xiàn)nan的解決方法,希望大家閱讀完這篇文章后大所收獲,下面讓我們一起去探討方法吧!
很多數(shù)據(jù)不可避免的會遺失掉,或者采集的時候采集對象不愿意透露,這就造成了很多NaN(Not a Number)的出現(xiàn)。這些NaN會造成大部分模型運行出錯,所以對NaN的處理很有必要。
解決方法:
1、簡單粗暴地去掉
1)有如下dataframe,先用df.isnull().sum()檢查下哪一列有多少NaN:
import pandas as pd df = pd.DataFrame({'a':[None,1,2,3],'b':[4,None,None,6],'c':[1,2,1,2],'d':[7,7,9,2]}) print (df) print (df.isnull().sum())
輸出:
2)將含有NaN的列(columns)去掉:
data_without_NaN =df.dropna(axis=1) print (data_without_NaN)
輸出:
2、遺失值插補法
很多時候直接刪掉列會損失很多有價值的數(shù)據(jù),不利于模型的訓練。
所以可以考慮將NaN替換成某些數(shù),顯然不能隨隨便便替換,有人喜歡替換成0,往往會畫蛇添足。
譬如調查工資收入與學歷高低的關系,有的人不想透露工資水平,但如果給這些NaN設置為0很顯然會失真。所以Python有個Imputation(插補)的方法。代碼如下:
from sklearn.preprocessing import Imputer my_imputer = Imputer() data_imputed = my_imputer.fit_transform(df) print (type(data_imputed)) # array轉換成df df_data_imputed = pd.DataFrame(data_imputed,columns=df.columns) print (df_data_imputed)
輸出:
可以看出,這里大概是用平均值進行了替換。
看完了這篇文章,相信你對python出現(xiàn)nan的解決方法有了一定的了解,想了解更多相關知識,歡迎關注創(chuàng)新互聯(lián)-成都網(wǎng)站建設公司行業(yè)資訊頻道,感謝各位的閱讀!
分享題目:python出現(xiàn)nan的解決方法-創(chuàng)新互聯(lián)
網(wǎng)站鏈接:http://muchs.cn/article44/dphjhe.html
成都網(wǎng)站建設公司_創(chuàng)新互聯(lián),為您提供網(wǎng)站維護、小程序開發(fā)、網(wǎng)站設計、動態(tài)網(wǎng)站、自適應網(wǎng)站、網(wǎng)站內鏈
聲明:本網(wǎng)站發(fā)布的內容(圖片、視頻和文字)以用戶投稿、用戶轉載內容為主,如果涉及侵權請盡快告知,我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場,如需處理請聯(lián)系客服。電話:028-86922220;郵箱:631063699@qq.com。內容未經(jīng)允許不得轉載,或轉載時需注明來源: 創(chuàng)新互聯(lián)