scikit-learn 中的弃用警告答案

【问题标题】：Deprecation warning in scikit-learnscikit-learn 中的弃用警告
【发布时间】：2019-06-04 08:32:54
【问题描述】：

大家好，我正在学习机器学习，起初代码运行良好，但第二天当我再次执行代码时，它开始警告我处理数据集中丢失的数据，我不知道是什么问题，但有谁知道解决方案的人吗

源代码：

import numpy as np

import matplotlib.pyplot as plt

import pandas as pd

dataset = pd.read_csv('Data.csv')

x = dataset.iloc[:, :-1]

y = dataset.iloc[:, 3]


from sklearn.preprocessing import Imputer

imputer = Imputer(missing_values = 'NaN', strategy = 'mean', axis = 0)

imputer = imputer.fit(x[:, 1:3])

x[:, 1:3] = imputer.transform(x[:, 1:3])

这里是警告：

DeprecationWarning: Class Imputer is deprecated; Imputer was deprecated in version 0.20 and will be removed in 0.22. Import impute.SimpleImputer from sklearn instead.

【问题讨论】：

这是一个警告而不是错误，除了它告诉你该怎么做
@EdChum 请原谅兄弟，它没有采取任何解决方案的缺失值的平均值吗？
编辑您的问题以包含此信息，因为这不在您的问题中
@EdChum 好的兄弟

标签： python scikit-learn

【解决方案1】：

from sklearn.impute import SimpleImputer

imputer = SimpleImputer(missing_values = np.nan, strategy = 'mean', verbose = 0)

imputer = imputer.fit(X[:, 1:3])
X[:, 1:3] = imputer.transform(X[:, 1:3])

【讨论】：

【解决方案2】：

处理丢失的数据

from sklearn.impute import SimpleImputer

imputer = SimpleImputer(missing_values= np.nan, strategy='mean')

imputer = imputer.fit(X.iloc[:, 1:3])
X = imputer.transform(X.iloc[:, 1:3])

在第 3 行和第 4 行中使用 .iloc 会有所帮助！

【讨论】：

如果有人像我一样发现这很有帮助，我发现我还必须在第 4 行的变量重新分配上使用 .iloc。

【解决方案3】：

试试这个。在新的 python 版本中SimpleImputer 工作。

from sklearn.impute import SimpleImputer

imputer = SimpleImputer(missing_values = np.nan, strategy = 'mean',verbose=0)

imputer = imputer.fit(X[:, 1:3])

X[:, 1:3] = imputer.transform(X[:, 1:3])

【讨论】：

【解决方案4】：

from sklearn.impute import SimpleImputer

imputer = SimpleImputer(missing_values = np.nan, strategy = 'mean',verbose=0)

imputer = imputer.fit(X[:, 1:3])

X[:, 1:3] = imputer.transform(X[:, 1:3])

【讨论】：

如果需要，如何在 SimpleImputer 中使用axis=1（按行计算）？谢谢！

【解决方案5】：

SimpleImputer 的工作方式与旧的 Imputer 几乎相似，只需导入并使用它即可。 Imputer 不再使用。

from sklearn.impute import SimpleImputer

https://scikit-learn.org/stable/modules/generated/sklearn.impute.SimpleImputer.html

【讨论】：

【解决方案6】：

Imputer 仍然可以使用，只需添加剩余参数（详细和复制）并在必要时填写。

from sklearn.preprocessing import Imputer

imputer = Imputer(missing_values="NaN", strategy="mean", axis=0, verbose=0, copy="True")

imputer = imputer.fit(X[:, 1:3])

X[:, 1:3] = imputer.transform(X[:, 1:3]))

【讨论】：