對于數據科學家來說，處理丟失的數據是數據清理和模型開發過程中的一個重要部分。通常情況下，真實數據包含多個稀疏字段或包含錯誤值的字段。在這篇文章中，我們將討論如何建立可以用來填補數據中缺失或錯誤值的模型。

出于我們的目的，我們將使用可以在這里找到的葡萄酒數據集:https://www.kaggle.com/zynicide/wine-reviews

import pandas as pd
df = pd.read_csv("winemag-data-130k-v2.csv")

接下來，讓我們輸出前五行數據：

print(df.head())

讓我們從這些數據中隨機抽取500條記錄。這將有助于加快模型訓練和測試，盡管讀者可以很容易地對其進行修改：

import pandas as pd
df = pd.read_csv("winemag-data-130k-v2.csv").sample(n=500, random_state = 42)

現在，讓我們打印與數據對應的信息，這將使我們了解哪些列缺少值：

print(df.info())

有幾個列的非空值小于500，這與缺少的值相對應。首先，讓我們考慮建立一個模型，用“points”來估算缺失的“price”值。首先，讓我們打印“price”和“points”之間的相關性：

print("Correlation: ", df['points'].corr(df['price']))

我們看到了一個微弱的正相關。讓我們建立一個線性回歸模型，用“points”來預測“price”。首先，讓我們從“scikit learn”導入“LinearRegresssion”模塊：

from sklearn.linear_model import LinearRegression

現在，讓我們為訓練和測試拆分數據。我們希望能夠預測缺失值，但我們應該使用真實值“price”來驗證我們的預測。讓我們通過只選擇正價格值來篩選缺少的值：

import numpy as np 
df_filter = df[df['price'] > 0].copy()

我們還可以初始化用于存儲預測和實際值的列表：

y_pred = []
y_true = []

我們將使用K-fold交叉驗證來驗證我們的模型。讓我們從“scikit learn”導入“KFolds”模塊。我們將使用10折來驗證我們的模型：

from sklearn.model_selection import KFold
kf = KFold(n_splits=10, random_state = 42)
for train_index, test_index in kf.split(df_filter):
    df_test = df_filter.iloc[test_index]    df_train = df_filter.iloc[train_index]

我們現在可以定義我們的輸入和輸出：

for train_index, test_index in kf.split(df_filter):
    ...    X_train = np.array(df_train['points']).reshape(-1, 1)     
    y_train = np.array(df_train['price']).reshape(-1, 1)
    X_test = np.array(df_test['points']).reshape(-1, 1)  
    y_test = np.array(df_test['price']).reshape(-1, 1)

并擬合我們的線性回歸模型：

for train_index, test_index in kf.split(df_filter):
    ...    model = LinearRegression()    model.fit(X_train, y_train)

現在讓我們生成并存儲我們的預測：

for train_index, test_index in kf.split(df_filter):
    ...    y_pred.Append(model.predict(X_test)[0])
    y_true.append(y_test[0])

現在讓我們評估一下模型的性能。讓我們用均方誤差來評估模型的性能：

print("Mean Square Error: ", mean_squared_error(y_true, y_pred))

并不太好。我們可以通過訓練平均價格加上一個標準差來改善這一點：

df_filter = df[df['price'] <= df['price'].mean() + df['price'].std() ].copy()
...print("Mean Square Error: ", mean_squared_error(y_true, y_pred))

雖然這大大提高了性能，但其代價是無法準確估算葡萄酒的price。與使用單一特征的回歸模型預測價格不同，我們可以使用樹基模型，例如隨機森林模型，它可以處理類別和數值變量。

讓我們建立一個隨機森林回歸模型，使用“country”、“province”、“variety”、“winery”和“points”來預測葡萄酒的“price”。首先，讓我們將分類變量轉換為可由隨機森林模型處理的分類代碼：

df['country_cat'] = df['country'].astype('category')
df['country_cat'] = df['country_cat'].cat.codes
df['province_cat'] = df['province'].astype('category')
df['province_cat'] = df['province_cat'].cat.codes
df['winery_cat'] = df['winery'].astype('category')
df['winery_cat'] = df['winery_cat'].cat.codes
df['variety_cat'] = df['variety'].astype('category')
df['variety_cat'] = df['variety_cat'].cat.codes

讓我們將隨機樣本大小增加到5000：

df = pd.read_csv("winemag-data-130k-v2.csv").sample(n=5000, random_state = 42)

接下來，讓我們從scikit learn導入隨機森林回歸器模塊。我們還可以定義用于訓練模型的特征列表：

from sklearn.ensemble import RandomForestRegressor
features = ['points', 'country_cat', 'province_cat', 'winery_cat', 'variety_cat']

讓我們用一個隨機森林來訓練我們的模型，它有1000個估計量，最大深度為1000。然后，讓我們生成預測并將其附加到新列表中：

for train_index, test_index in kf.split(df_filter):
    df_test = df_filter.iloc[test_index]    df_train = df_filter.iloc[train_index]    X_train = np.array(df_train[features])
    y_train = np.array(df_train['price'])
    X_test = np.array(df_test[features])
    y_test = np.array(df_test['price'])
    model = RandomForestRegressor(n_estimators = 1000, max_depth = 1000, random_state = 42)
    model.fit(X_train, y_train)    y_pred_rf.append(model.predict(X_test)[0])
    y_true_rf.append(y_test[0])

最后，讓我們評估隨機森林和線性回歸模型的均方誤差：

print("Mean Square Error (Linear Regression): ", mean_squared_error(y_true, y_pred))
print("Mean Square Error (Random Forest): ", mean_squared_error(y_pred_rf, y_true_rf))

我們看到隨機森林模型具有優越的性能。現在，讓我們使用我們的模型預測缺失的價格值，并顯示price預測：

df_missing = df[df['price'].isnull()].copy()
X_test_lr = np.array(df_missing['points']).reshape(-1, 1)
X_test_rf = np.array(df_missing[features])
X_train_lr = np.array(df_filter['points']).reshape(-1, 1)    
y_train_lr = np.array(df_filter['price']).reshape(-1, 1)
X_train_rf = np.array(df_filter[features])
y_train_rf = np.array(df_filter['price'])
model_lr = LinearRegression()
model_lr.fit(X_train_lr, y_train_lr)
print("Linear regression predictions: ", model_lr.predict(X_test_lr)[0][0])
model_rf = RandomForestRegressor(n_estimators = 1000, max_depth = 1000, random_state = 42)
model_rf.fit(X_train_rf, y_train_rf)
print("Random forests regression predictions: ", model_rf.predict(X_test_rf)[0])

我就到此為止，但我鼓勵你嘗試一下特征選擇和超參數調整，看看是否可以提高性能。此外，我鼓勵你擴展此數據進行插補模型，以填補“region_1”和“designation”等分類字段中的缺失值。在這里，你可以構建一個基于樹的分類模型，根據分類和數值特征來預測所列類別的缺失值。

結論

總而言之，在這篇文章中，我們討論了如何建立機器學習模型，我們可以用來填補數據中的缺失值。首先，我們建立了一個線性回歸模型，用以預測葡萄酒的價格。然后，我們建立了一個隨機森林模型，用“points”和其他分類變量來預測葡萄酒價格。我們發現，隨機森林模型顯著優于基于線性回歸的數據插補模型。本文中的代碼可以在GitHub上找到。謝謝你的閱讀！

Github鏈接：https://github.com/spierre91/medium_code/blob/master/machine_learning/predict_missing_data.py