如何从现有数据中生成随机分类数据来填充缺失的值-Python

Question

我有一列缺少分类数据，我正试图用同一列的现有分类变量替换它们。

我不想使用该模式，因为我有太多丢失的数据，这会使数据倾斜，我宁愿不删除丢失数据的行。

我认为理想的方法是为我的专栏获得每个变量的比例，然后用现有的分类变量按比例替换缺失的变量。

示例数据帧：

ClientId    Apple_cat    Region    Price
0  21          cat_1        Reg_A     5
1  15          cat_2        Nan       6
2  6           Nan          Reg_B     7
3  91          cat_3        Reg_A     3
4  45          Nan          Reg_C     7
5  89          cat_2        Nan       6

注意：理想情况下，我希望避免对每个类别和地区名称进行硬编码。

Answer 1

您可以使用自己的函数来获得一种简洁的矢量化方法来解决此问题：

def na_randomfill(series):
na_mask = pd.isnull(series)   # boolean mask for null values
n_null = na_mask.sum()        # number of nulls in the Series

if n_null == 0:
return series             # if there are no nulls, no need to resample

# Randomly sample the non-null values from our series
#  only sample this Series as many times as we have nulls 
fill_values = series[~na_mask].sample(n=n_null, replace=True, random_state=0)
# This ensures our new values will replace NaNs in the correct locations
fill_values.index = series.index[na_mask]

return series.fillna(fill_values) 

该解决方案一次适用于1个系列，可以这样调用：

out = na_randomfill(df["Apple_cat"])
print(out)
0    cat_1
1    cat_2
2    cat_3
3    cat_3
4    cat_2
5    cat_2
Name: Apple_cat, dtype: object

或者，您可以使用apply在每个列上调用它。注意，由于函数中有if语句，在调用apply:之前，我们不需要预先指定包含null的列

out = df.apply(na_randomfill)
print(out)
ClientId Apple_cat Region  Price
0        21     cat_1  Reg_A      5
1        15     cat_2  Reg_A      6
2         6     cat_3  Reg_B      7
3        91     cat_3  Reg_A      3
4        45     cat_2  Reg_C      7
5        89     cat_2  Reg_C      6

Answer 2

在pandas数据帧中替换NaN的困难之处在于，fillna((方法将用相同的数字替换所有NaN，即使您在调用中加入了某种随机性。

import random
df['Apple_cat'].applymap(lambda x: x if not np.isnan(x) else np.random.choice(random.choice(list(x.dropna(axis=0))))

这将用第列其余部分的随机样本替换Nans。也许您需要将np.nan替换为其他类型的nan。

Answer 3

您可以根据填充行的概率分布来填充缺失的值。

import numpy as np
df[‘<your_column_name>’] = df[‘<your_column_name>’].fillna(‘TBD’)
possible_values = df[‘<your_column_name>’].value_counts().to_dict()
possible_values.pop(‘TBD’)
total_items = sum(possible_values.keys())
possible_values = [(k,v) for k,v in possible_values.items()]
prob_dist = [i[1]/total_items for i in possible_values]
def fill_missing_values(item):
if item != ‘TBD’:
index = np.random.choice(np.arange(len(prob_dist), p=prob_dist)
return possible_values[index]
return item
df[‘<your_column_name>’] = df[‘<your_column_name>’].apply(lambda x: fill_missing_values(x))