导航：首页 > 开发技术 >

python如何通过KNN来填充缺失值

发表于：2024-11-14 作者：千家信息网编辑

千家信息网最后更新 2024年11月14日，这篇文章主要讲解了"python如何通过KNN来填充缺失值"，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习"python如何通过KNN来填充缺失值"吧！K

千家信息网最后更新 2024年11月14日python如何通过KNN来填充缺失值

这篇文章主要讲解了"python如何通过KNN来填充缺失值"，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习"python如何通过KNN来填充缺失值"吧！

KNN算法,又叫K近邻分类算法，是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是K个最近的邻居的意思，说的是每个样本都可以用它最接近的K个邻近值来代表。近邻算法就是将数据集合中每一个记录进行分类的方法。我们在样本数据有缺失需要填充的时候，可以使用K近邻算法来训练一个模型，然后让其预估缺失值，这就是python通过knn来填充缺失值的方法。

看代码吧~

# 加载库import numpy as npfrom fancyimpute import KNNfrom sklearn.preprocessing import StandardScalerfrom sklearn.datasets import make_blobs# 创建模拟特征矩阵features, _ = make_blobs(n_samples = 1000,                         n_features = 2,                         random_state = 1)# 标准化特征scaler = StandardScaler()standardized_features = scaler.fit_transform(features)standardized_features# 制造缺失值true_value = standardized_features[0,0]standardized_features[0,0] = np.nanstandardized_features# 预测features_knn_imputed = KNN(k=5, verbose=0).fit_transform(standardized_features)# features_knn_imputed = KNN(k=5, verbose=0).complete(standardized_features)features_knn_imputed# #对比真实值和预测值print("真实值:", true_value)print("预测值:", features_knn_imputed[0,0])# 加载库import numpy as npfrom fancyimpute import KNNfrom sklearn.preprocessing import StandardScalerfrom sklearn.datasets import make_blobs# 创建模拟特征矩阵features, _ = make_blobs(n_samples = 1000,                         n_features = 2,                         random_state = 1)# 标准化特征scaler = StandardScaler()standardized_features = scaler.fit_transform(features)standardized_features# 制造缺失值true_value = standardized_features[0,0]standardized_features[0,0] = np.nanstandardized_features# 预测features_knn_imputed = KNN(k=5, verbose=0).fit_transform(standardized_features)# features_knn_imputed = KNN(k=5, verbose=0).complete(standardized_features)features_knn_imputed# #对比真实值和预测值print("真实值:", true_value)print("预测值:", features_knn_imputed[0,0])真实值: 0.8730186113995938预测值: 1.0955332713113226

补充：scikit-learn中一种便捷可靠的缺失值填充方法：KNNImputer

在数据挖掘工作中，处理样本中的缺失值是必不可少的一步。其中对于缺失值插补方法的选择至关重要，因为它会对最后模型拟合的效果产生重要影响。

在2019年底，scikit-learn发布了0.22版本，此次版本除了修复之前的一些bug外，还更新了很多新功能，对于数据挖掘人员来说更加好用了。其中我发现了一个新增的非常好用的缺失值插补方法：KNNImputer。这个基于KNN算法的新方法使得我们现在可以更便捷地处理缺失值，并且与直接用均值、中位数相比更为可靠。利用"近朱者赤"的KNN算法原理，这种插补方法借助其他特征的分布来对目标特征进行缺失值填充。

下面，就让我们用实际例子来看看KNNImputer是如何使用的吧‎

使用KNNImputer需要从scikit-learn中导入：

from sklearn.impute import KNNImputer

先来一个小例子开开胃，data中第二个样本存在缺失值。

data = [[2, 4, 8], [3, np.nan, 7], [5, 8, 3], [4, 3, 8]]

KNNImputer中的超参数与KNN算法一样，n_neighbors为选择"邻居"样本的个数，先试试n_neighbors=1。

imputer = KNNImputer(n_neighbors=1)imputer.fit_transform(data)

可以看到，因为第二个样本的第一列特征3和第三列特征7，与第一行样本的第一列特征2和第三列特征8的欧氏距离最近，所以缺失值按照第一个样本来填充，填充值为4。那么n_neighbors=2呢？

imputer = KNNImputer(n_neighbors=2)imputer.fit_transform(data)

此时根据欧氏距离算出最近相邻的是第一行样本与第四行样本，此时的填充值就是这两个样本第二列特征4和3的均值：3.5。

接下来让我们看一个实际案例，该数据集来自Kaggle皮马人糖尿病预测的分类赛题，其中有不少缺失值，我们试试用KNNImputer进行插补。

import numpy as npimport pandas as pdimport pandas_profiling as ppimport matplotlib.pyplot as pltimport seaborn as snssns.set(context="notebook", )import warningswarnings.filterwarnings('ignore')%matplotlib inline from sklearn.impute import KNNImputer

#Loading the datasetdiabetes_data = pd.read_csv('pima-indians-diabetes.csv')diabetes_data.columns = ['Pregnancies', 'Glucose', 'BloodPressure', 'SkinThickness',                        'Insulin', 'BMI', 'DiabetesPedigreeFunction', 'Age', 'Outcome']diabetes_data.head()

在这个数据集中，0值代表的就是缺失值，所以我们需要先将0转化为nan值然后进行缺失值处理。

diabetes_data_copy = diabetes_data.copy(deep=True)diabetes_data_copy[['Glucose','BloodPressure','SkinThickness','Insulin','BMI']] = diabetes_data_copy[['Glucose','BloodPressure','SkinThickness','Insulin','BMI']].replace(0, np.NaN) print(diabetes_data_copy.isnull().sum())

在本文中，我们尝试用DiabetesPedigreeFunction与Age，对BloodPressure中的35个缺失值进行KNNImputer插补。

先来看一下缺失值都在哪几个样本：

null_index = diabetes_data_copy.loc[diabetes_data_copy['BloodPressure'].isnull(), :].indexnull_indeximputer = KNNImputer(n_neighbors=10)

diabetes_data_copy[['BloodPressure', 'DiabetesPedigreeFunction', 'Age']] = imputer.fit_transform(diabetes_data_copy[['BloodPressure', 'DiabetesPedigreeFunction', 'Age']])print(diabetes_data_copy.isnull().sum())

可以看到现在BloodPressure中的35个缺失值消失了。我们看看具体填充后的数据：