Ctrl+K

MissingIndicator#

class sklearn.impute.MissingIndicator(*, missing_values=nan, features='missing-only', sparse='auto', error_on_new=True)[源代码]#

缺失值的二进制指标。

请注意，此组件通常不应用于香草中 Pipeline 由transformers和classifier组成，但是可以使用 FeatureUnion 或 ColumnTransformer .

阅读更多的 User Guide .

Added in version 0.20.

参数:
missing_valuesint、float、url、np.nan或无，默认=np.nan

缺失值的占位符。的所有匹配项 missing_values 将被归因。对于具有缺失值的可空整数据类型的pandas的数据包， missing_values 应设置为 np.nan ，自从 pd.NA 将转换为 np.nan .

features' missing-only '，'，默认=' missing-only ' missing-only '

输入器面具是否应该代表所有特征还是特征子集。

  • 如果 'missing-only' （默认），输入器面具将仅代表在适应时间期间包含缺失值的特征。

  • 如果 'all' ，输入器面具将代表所有特征。

sparse布尔或“自动”，默认=“自动”

输入器屏蔽格式应该是稀疏还是密集。

  • 如果 'auto' （默认），则输入器屏蔽将与输入的类型相同。

  • If True, the imputer mask will be a sparse matrix.

  • 如果 False ，输入器面具将是一个numpy数组。

error_on_new布尔，默认=True

如果 True , transform 当存在缺失值的要素且中没有缺失值时，将引发错误 fit .这仅适用于 features='missing-only' .

属性:
features_形状的nd数组（n_missing_features，）或（n_features，）

调用时返回的要素索引 transform .它们是在期间计算的 fit .如果 features='all' , features_ 等于 range(n_features) .

n_features_in_int

期间看到的功能数量 fit .

Added in version 0.24.

feature_names_in_ ：nd形状数组 (n_features_in_ ,)nd数组形状（

Names of features seen during fit. Defined only when X has feature names that are all strings.

Added in version 1.0.

参见

SimpleImputer

缺失值的单变量插补。

IterativeImputer

缺失值的多元插补。

示例

>>> import numpy as np
>>> from sklearn.impute import MissingIndicator
>>> X1 = np.array([[np.nan, 1, 3],
...                [4, 0, np.nan],
...                [8, 1, 0]])
>>> X2 = np.array([[5, 1, np.nan],
...                [np.nan, 2, 3],
...                [2, 4, 0]])
>>> indicator = MissingIndicator()
>>> indicator.fit(X1)
MissingIndicator()
>>> X2_tr = indicator.transform(X2)
>>> X2_tr
array([[False,  True],
       [ True, False],
       [False, False]])
fit(X, y=None)[源代码]#

安装Transformer X .

参数:
X形状（n_samples，n_features）的{类数组，稀疏矩阵}

输入数据，其中 n_samples 是样本数量和 n_features 是功能的数量。

y忽视

未使用，按照惯例，为了API一致性而存在。

返回:
self对象

拟合估计量。

fit_transform(X, y=None)[源代码]#

生成缺失值指示器 X .

参数:
X形状（n_samples，n_features）的{类数组，稀疏矩阵}

要完成的输入数据。

y忽视

未使用，按照惯例，为了API一致性而存在。

返回:
Xt{ndarray, sparse matrix} of shape (n_samples, n_features) or (n_samples, n_features_with_missing)

输入数据缺失的指示器。的数据类型 Xt 将是布尔值。

get_feature_names_out(input_features=None)[源代码]#

获取用于转换的输出要素名称。

参数:
input_features字符串或无的类数组，默认=无

输入功能。

  • 如果 input_features 是 None 那么 feature_names_in_ 在中用作功能名称。如果 feature_names_in_ 未定义，则生成以下输入要素名称： ["x0", "x1", ..., "x(n_features_in_ - 1)"] .

  • 如果 input_features 是一个类似阵列的，那么 input_features 必须匹配 feature_names_in_ 如果 feature_names_in_ 是定义的。

返回:
feature_names_out字符串对象的nd数组

转换的功能名称。

get_metadata_routing()[源代码]#

获取此对象的元数据路由。

请检查 User Guide 关于路由机制如何工作。

返回:
routingMetadataRequest

A MetadataRequest 封装路由信息。

get_params(deep=True)[源代码]#

获取此估计器的参数。

参数:
deep布尔，默认=True

如果为True，将返回此估计量和包含的作为估计量的子对象的参数。

返回:
paramsdict

参数名称映射到其值。

set_output(*, transform=None)[源代码]#

设置输出容器。

看到 介绍 set_output API 了解如何使用API的示例。

参数:
transform{“默认”，“pandas”，“polars”}，默认=无

配置输出 transform 和 fit_transform .

  • "default" ：Transformer的默认输出格式

  • "pandas" ：DataFrame输出

  • "polars" ：两极输出

  • None ：转换配置不变

Added in version 1.4: "polars" 添加了选项。

返回:
self估计器实例

估计实例。

set_params(**params)[源代码]#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ).后者具有以下形式的参数 <component>__<parameter> 以便可以更新嵌套对象的每个组件。

参数:
**paramsdict

估计参数。

返回:
self估计器实例

估计实例。

transform(X)[源代码]#

生成缺失值指示器 X .

参数:
X形状（n_samples，n_features）的{类数组，稀疏矩阵}

要完成的输入数据。

返回:
Xt{ndarray, sparse matrix} of shape (n_samples, n_features) or (n_samples, n_features_with_missing)

输入数据缺失的指示器。的数据类型 Xt 将是布尔值。

On this page