在python中使用KNN算法处理缺失的数据

处理缺失的数据并不是一件容易的事。 方法的范围从简单的均值插补和观察值的完全删除到像MICE这样的更高级的技术。 解决问题的挑战性是选择使用哪种方法。 今天，我们将探索一种简单但高效的填补缺失数据的方法-KNN算法。

KNN代表“ K最近邻居”，这是一种简单算法，可根据定义的最接近邻居数进行预测。它计算从您要分类的实例到训练集中其他所有实例的距离。

正如标题所示，我们不会将算法用于分类目的，而是填充缺失值。本文将使用房屋价格数据集，这是一个简单而著名的数据集，仅包含500多个条目。

这篇文章的结构如下：

1. 数据集加载和探索
2. KNN归因
3. 归因优化
4. 结论

数据集加载和探索

如前所述，首先下载房屋数据集。另外，请确保同时导入了Numpy和Pandas。这是前几行的外观：

默认情况下，数据集缺失值非常低-单个属性中只有五个：

让我们改变一下。您通常不会这样做，但是我们需要更多缺少的值。首先，我们创建两个随机数数组，其范围从1到数据集的长度。第一个数组包含35个元素，第二个数组包含20个（任意选择）：

i1 = np.random.choice(a=df.index, size=35)
i2 = np.random.choice(a=df.index, size=20)

这是第一个数组的样子：

您的数组将有所不同，因为随机化过程是随机的。接下来，我们将用NAN替换特定索引处的现有值。这是如何做：

df.loc[i1, 'INDUS'] = np.nan
df.loc[i2, 'TAX'] = np.nan

现在，让我们再次检查缺失值-这次，计数有所不同：

这就是我们从归因开始的全部前置工作。让我们在下一部分中进行操作。

KNN归因

整个插补可归结为4行代码-其中之一是库导入。我们需要sklearn.impute中的KNNImputer，然后以一种著名的Scikit-Learn方式创建它的实例。该类需要一个强制性参数– n_neighbors。它告诉冒充参数K的大小是多少。

首先，让我们选择3的任意数字。稍后我们将优化此参数，但是3足以启动。接下来，我们可以在计算机上调用fit_transform方法以估算缺失的数据。

最后，我们将结果数组转换为pandas.DataFrame对象，以便于解释。这是代码：

from sklearn.impute import KNNImputer

imputer = KNNImputer(n_neighbors=3)
imputed = imputer.fit_transform(df)
df_imputed = pd.DataFrame(imputed, columns=df.columns)

非常简单。让我们现在检查缺失值：

尽管如此，仍然存在一个问题-我们如何为K选择正确的值？

归因优化

该住房数据集旨在通过回归算法进行预测建模，因为目标变量是连续的（MEDV）。这意味着我们可以训练许多预测模型，其中使用不同的K值估算缺失值，并查看哪个模型表现最佳。

但首先是导入。我们需要Scikit-Learn提供的一些功能-将数据集分为训练和测试子集，训练模型并进行验证。我们选择了“随机森林”算法进行训练。RMSE用于验证：

from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error

rmse = lambda y, yhat: np.sqrt(mean_squared_error(y, yhat))

以下是执行优化的必要步骤：

迭代K的可能范围-1到20之间的所有奇数都可以

1. 使用当前的K值执行插补
2. 将数据集分为训练和测试子集
3. 拟合随机森林模型
4. 预测测试集
5. 使用RMSE进行评估

听起来很多，但可以归结为大约15行代码。这是代码段：

def optimize_k(data, target):
    errors = []
    for k in range(1, 20, 2):
        imputer = KNNImputer(n_neighbors=k)
        imputed = imputer.fit_transform(data)
        df_imputed = pd.DataFrame(imputed, columns=df.columns)
        
        X = df_imputed.drop(target, axis=1)
        y = df_imputed[target]
        X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

        model = RandomForestRegressor()
        model.fit(X_train, y_train)
        preds = model.predict(X_test)
        error = rmse(y_test, preds)
        errors.append({'K': k, 'RMSE': error})
        
    return errors

现在，我们可以使用修改后的数据集（在3列中缺少值）调用optimize_k函数，并传入目标变量（MEDV）：

k_errors = optimize_k(data=df, target='MEDV')

就是这样！k_errors数组如下所示：

以可视化方式表示：

看起来K = 15是给定范围内的最佳值，因为它导致最小的误差。我们不会涵盖该错误的解释，因为它超出了本文的范围。让我们在下一节中总结一下。

总结

编写处理缺少数据归因的代码很容易，因为有很多现有的算法可以让我们直接使用。但是我们很难理解里面原因-了解应该推定哪些属性，不应该推算哪些属性。例如，可能由于客户未使用该类型的服务而缺失了某些值，因此没有必要执行估算。

最终确定是否需要进行缺失数据的处理，还需要有领域的专业知识，与领域专家进行咨询并研究领域是一种很好的方法。

作者：Dario Radečić

deephub翻译组