python中如何填补缺失值

在Python中，填充缺失值有多种方法，以下是其中几种常用的方法：

1. 删除缺失值：可以使用 Pandas 库的 dropna 函数删除包含缺失值的行或列。示例代码如下：

import pandas as pd

# 导入数据
df = pd.read_csv('data.csv')

# 删除包含缺失值的行
df = df.dropna()

# 删除包含缺失值的列
df = df.dropna(axis=1)

2. 填充固定值：可以使用 Pandas 库的 fillna 函数将缺失值填充为固定值。示例代码如下：

import pandas as pd

# 导入数据
df = pd.read_csv('data.csv')

# 将缺失值填充为0
df = df.fillna(0)

# 将缺失值填充为均值
df = df.fillna(df.mean())

3. 插值法：可以使用 Pandas 库的 interpolate 函数使用插值法填充缺失值。示例代码如下：

import pandas as pd

# 导入数据
df = pd.read_csv('data.csv')

# 使用线性插值法填充缺失值
df = df.interpolate()

4. 随机森林填充：可以使用 scikit-learn 库的 RandomForestRegressor 或 RandomForestClassifier 模型来进行随机森林填充。示例代码如下：

import pandas as pd
from sklearn.ensemble import RandomForestRegressor

# 导入数据
df = pd.read_csv('data.csv')

# 拆分数据集为已知和未知值
known = df[df['column'].notnull()]
unknown = df[df['column'].isnull()]

# 随机森林填充缺失值
rf = RandomForestRegressor()
rf.fit(known.drop('column', axis=1), known['column'])
predicted = rf.predict(unknown.drop('column', axis=1))

# 将填充后的值赋回到 DataFrame 中
df.loc[df['column'].isnull(), 'column'] = predicted

以上就是Python中填补缺失值的几种常用方法，具体方法选择要根据实际场景和数据情况而定。