sklearn Imputer() 返回的特征不适合拟合函数答案

【问题标题】：sklearn Imputer() returned features does not fit in fit functionsklearn Imputer() 返回的特征不适合拟合函数
【发布时间】：2015-08-15 13:32:57
【问题描述】：

我有一个缺失值 NaN 的特征矩阵，所以我需要先初始化那些缺失值。但是，最后一行抱怨并抛出以下错误行： Expected sequence or array-like, got Imputer(axis=0, copy=True, missing_values='NaN', strategy='mean', verbose=0)。我查了一下，似乎原因是 train_fea_imputed 不是 np.array 格式，而是 sklearn.preprocessing.imputation.Imputer 格式。我应该如何解决这个问题？
顺便说一句，如果我使用 train_fea_imputed = imp.fit_transform(train_fea)，代码可以正常工作，但 train_fea_imputed 返回一个比 train_fea 小一维的数组

    import pandas as pd
    import numpy as np
    from sklearn.ensemble import RandomForestClassifier
    from sklearn.preprocessing import Imputer

    imp = Imputer(missing_values='NaN', strategy='mean', axis=0)
    train_fea_imputed = imp.fit(train_fea)

    # train_fea_imputed = imp.fit_transform(train_fea)
    rf = RandomForestClassifier(n_estimators=5000,n_jobs=1, min_samples_leaf = 3)
    rf.fit(train_fea_imputed, train_label)

更新：我改成

imp = Imputer(missing_values='NaN', strategy='mean', axis=1)

现在尺寸问题没有发生。我认为插补函数存在一些固有问题。我完成项目后会回来。

【问题讨论】：

你能用虚拟值制作train_fea 和train_label 的样本，以便我可以在我的计算机上运行它吗？例如像这样stackoverflow.com/a/30319249/238639
@bakkal 我认为您可以使用 numpy 生成随机矩阵并用 NaN 对其进行掩码尝试。

标签： python machine-learning scikit-learn

【解决方案1】：

使用scikit-learn，初始化模型、训练模型和获取预测是独立的步骤。在您的情况下，您有：

train_fea = np.array([[1,1,0],[0,0,1],[1,np.nan,0]])
train_fea
array([[  1.,   1.,   0.],
       [  0.,   0.,   1.],
       [  1.,  nan,   0.]])

#initialise the model
imp = Imputer(missing_values='NaN', strategy='mean', axis=0)

#train the model
imp.fit(train_fea)

#get the predictions
train_fea_imputed = imp.transform(train_fea)
train_fea_imputed
array([[ 1. ,  1. ,  0. ],
       [ 0. ,  0. ,  1. ],
       [ 1. ,  0.5,  0. ]])

【讨论】：

您的解决方案确实返回了 train_fea_imputed，其维度低于我原来的 train_fea。我认为直接应用 fit_transform 是等价的。我的问题是我需要稍后在随机森林中应用 feature_score。如果我的维度较少，我无法将分数与特征名称相关联。
我在答案中添加了一个示例矩阵，我似乎没有维度问题？
我更改了 Imputer 参数 axis = 1 现在问题已解决。我认为我的 train_fea 有一些实用的列

【解决方案2】：

我认为在这种情况下，axis = 1 是不正确的，因为您想对特征向量/列（axis = 0）而不是行（axis = 1）的值取平均值。

【讨论】：