向我展示一下不同填补地质数据的缺失值填补方法的代码

对于地质数据的缺失值填补，常用的方法包括插值法、回归法、平均值/中位数填补法等。下面是这些方法的代码实现示例。

1. 插值法

插值法是一种通过已有数据点来估计缺失数据点的方法，常用的插值方法包括线性插值、样条插值和Kriging插值等。

线性插值代码示例：

import pandas as pd
from scipy.interpolate import interp1d

# 构造测试数据
data = pd.DataFrame({
    'x': [2, 3, 5, 7, 9, 11],
    'y': [5, 8, 3, 6, 7, 4]
})

# 构造插值函数
f = interp1d(data['x'], data['y'], kind='linear')

# 对缺失值进行插值
missing_x = 4
missing_y = f(missing_x)
print(f'缺失值{x}的插值结果为{y}')

2. 回归法

回归法是一种通过已有数据点来建立回归模型，并利用该模型来预测缺失数据点的方法，常用的回归方法包括线性回归、岭回归和随机森林回归等。

线性回归代码示例：

import pandas as pd
from sklearn.linear_model import LinearRegression

# 构造测试数据
data = pd.DataFrame({
    'x': [2, 3, 5, 7, 9, 11],
    'y': [5, 8, 3, 6, 7, 4]
})

# 构造回归模型
model = LinearRegression()
model.fit(data[['x']], data['y'])

# 对缺失值进行预测
missing_x = 4
missing_y = model.predict([[missing_x]])[0]
print(f'缺失值{x}的预测结果为{y}')

3. 平均值/中位数填补法

平均值/中位数填补法是一种简单的填补方法，即用已有数据的平均值或中位数来填补缺失数据点。

平均值填补代码示例：

import pandas as pd

# 构造测试数据
data = pd.DataFrame({
    'x': [2, 3, 5, 7, 9, 11],
    'y': [5, 8, 3, None, 7, 4]
})

# 计算平均值
mean_y = data['y'].mean()

# 对缺失值进行填补
data['y'].fillna(mean_y, inplace=True)
print(data)