【数据分析就业实战】——缺失值的常见处理方法

最新推荐文章于 2024-01-20 23:42:37 发布

转载最新推荐文章于 2024-01-20 23:42:37 发布 · 1.2k 阅读

·

0

·

CC 4.0 BY-SA版权

原文链接：https://www.cnblogs.com/Christina-Notebook/p/10102554.html

文章标签：

#数据分析 #数据挖掘 #机器学习

数据分析专栏收录该内容

17 篇文章

订阅专栏

本文介绍了如何使用0、中位数、均值、众数和特定字符串填充数据集中的缺失值，提供了一种稳健的数据预处理方法。

在这里插入图片描述
缺失值填补：

1、用0填补

df.fillna(0)

2、中位数填补

df.fillna(df.median(),inplace=True)

当变量较多时，用中位数代替是一种稳健的方法。

3、均值填补

df.fillna(df.mean(),inplace=True)

4、众数填补

df.fillna(df.mode().iloc[0],inplace=True)

5、用一个字符串代替缺失值

df.fillna('missing')

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。