编码数据以进行插补，然后解码

Question

我在 python 中，我有类似以下结构的数据，混合了分类和数字

subject_id hour_measure         urinecolor   blood pressure                  
3          1.00                 red         
           1.15                             high
4          2.00              yellow          low

我想使用热卡插补进行插补，但我发现我应该将其编码为数字然后进行插补

  from sklearn.preprocessing import OneHotEncoder
    enc = OneHotEncoder(handle_unknown='ignore')
   df= pd.read_csv('path')
    enc.fit(df)
    enc.transform(df)

当我尝试进行编码时，它要求我先填写缺失值，那么我在进行编码时如何处理缺失值？当我对分类数据进行编码时，插补将生成缺失值的值，我如何在插补后将其反转为原始数据？ 有人请帮我解决这个问题吗？

Answer 1

基本上你需要使用 scikit-learn 管道：

import numpy as np

from sklearn.pipeline import make_pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import OneHotEncoder

X = np.array(
    [['cat1', 'cat1'],
     ['cat2', np.nan],
     [np.nan, 'cat2']],
    dtype=object
)

encoder = make_pipeline(
    SimpleImputer(strategy="constant", fill_value="missing"),
    OneHotEncoder(sparse=False)
)
print(encoder.fit_transform(X))
print(encoder[-1].categories_)

[[1. 0. 0. 1. 0. 0.]
 [0. 1. 0. 0. 0. 1.]
 [0. 0. 1. 0. 1. 0.]]
[array(['cat1', 'cat2', 'missing'], dtype=object), array(['cat1', 'cat2', 'missing'], dtype=object)]

这里的缺失值由一些np.nan 值表示。它们首先被字符串'missing' 替换。然后，每个类别将成为一列。因此，“缺失”的信息将在编码后用一列表示。

您可能不想从您的数据中删除此信息。如果你愿意，你可以删除相应的列。