特征工程，处理缺失数据

Question

考虑这个数据表

NumberOfAccidents   MeanDistance
1                   5
3                   0
0                   NA
0                   NA
6                   1.2
2                   0

第一个特征是事故数量，第二个是这些事故到某一点的平均距离。很明显，对于零事故的记录，MeanDistance 不会有值。但是，估算这些缺失值是不合逻辑的！

我的解决方案：我决定将MeanDistance 离散化，其中NAs 是一个级别（bin），其余数据位于bin 中，例如：[0,1), [1,2.5), [2.5, Inf)。决赛桌将如下所示：

NumberOfAccidents   NAs   first_bin   sec_bin     third_bin
1                   0     0           0           1
3                   0     1           0           0
0                   1     0           0           0
0                   1     0           0           0
6                   0     0           1           0
2                   0     1           0           0

您对这些无法估算的缺失值有什么想法？ 您对此问题的解决方案是什么？

Answer 1

这实际上取决于域和您要预测的内容。即使您的解决方案很好，我也不会像您那样对其余数据进行分类。鉴于NumberOfAccidents 功能已经告诉MeanDistance 有NA 值，我可能只是将0 归入NA 值（用于计算）并保留其余数据不变。

尽管如此，没有必要限制自己，只需尝试不同的方法并保留能够提升您的KPI（关键绩效指标）的方法。