V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
CatCode
V2EX  ›  机器学习

求助关于机器学习的数据清洗

  •  
  •   CatCode · 2021-06-08 11:15:51 +08:00 · 913 次点击
    这是一个创建于 1025 天前的主题,其中的信息可能已经有所发展或是发生改变。

    目前自己是一个超菜的弱鸡。 准备做的是一个回归器模型(不是分类器)。

    已经从原始输入提取出了不少特征值。但是这些特征值都还没有经过清洗。

    目前观察了一下这些值,发现存在以下问题:

    1. (由于某类特征值是来自于第三方程序的提取结果)某些值是无效值,我已经记录了这些无效值:即对于某一列( pandas 里面的 column )特征值,我都有另一个 DataFrame 的 column 记录了一一对应地记录了是否为无效值( 0 无效,1 有效)无效值大概占了 1%吧。
    2. 除了上面的无效值之外,某些特征里还有少量离群值。

    请问一下各位前辈,这些数据问题怎么处理?按什么顺序处理?谢谢大家了
    (数据量还是比较大的,10k 条 x 2k 特征) (我原本计划用有效值的平均值来填充无效值,但是统计后发现,离群值造成了平均值和中位值偏差太大)

    2 条回复    2022-06-04 10:45:18 +08:00
    wannaspring
        1
    wannaspring  
       2022-06-04 10:44:59 +08:00
    问题 1. 根据你数据的实际情况, 如果是正态分布的,使用平均值填入,如果没有必要使用 dropna 丢弃
    问题 2. pyOD 处理 outliers 不错
    一般是 find na -> dropna -> labelencoder -> epa -> find outliers (interquartile ) -> handle outliers with pyOD -> data scaling(保证在同一比例) -> data spliting(train & test) -> create model -> model train -> mode evaluate
    wannaspring
        2
    wannaspring  
       2022-06-04 10:45:18 +08:00
    @wannaspring 我个人一般这么做, 但是我也是个菜鸟
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   我们的愿景   ·   实用小工具   ·   2701 人在线   最高记录 6543   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 23ms · UTC 15:11 · PVG 23:11 · LAX 08:11 · JFK 11:11
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.