python如何同类均值插补

Hey小伙伴们，今天来聊聊Python中一个超实用的数据预处理技巧——同类均值插补，是不是听起来有点专业，别急，我会用最简单的话来解释，保证你一看就懂！

我们要明白什么是“同类均值插补”，就是当我们的数据集中有一些缺失值时，我们可以用同一组数据的平均值来填补这些缺失值，这样做的好处是，可以保留数据的整体趋势和分布特性，而且操作简单，对数据的破坏性较小。

举个例子，假设我们有一个关于学生成绩的数据集，里面包含了学生的数学和语文成绩，有些学生的成绩记录不完整，比如只有数学成绩，没有语文成绩，这时候，我们就可以计算所有学生语文成绩的平均值，然后用这个平均值来填补那些缺失的语文成绩。

我会一步步带你用Python实现这个操作，你需要安装一个叫Pandas的库，它在数据处理方面非常强大，如果你还没有安装，可以在命令行输入以下命令：

pip install pandas

安装好后，我们就可以开始写代码了，我们需要导入Pandas库，并创建一个包含缺失值的数据集：

import pandas as pd
import numpy as np
创建一个包含缺失值的数据集
data = {
    '学生': ['小明', '小红', '小刚', '小丽'],
    '数学成绩': [90, 85, np.nan, 95],
    '语文成绩': [np.nan, 90, 85, 88]
}
df = pd.DataFrame(data)

在这段代码中，我们用np.nan来表示缺失值，我们的数据集看起来是这样的：

我们就可以使用Pandas的fillna方法来进行同类均值插补了，这里有两种方法，一种是对整个列进行插补，另一种是对每一行进行插补。

方法一：对整个列进行插补

我们可以先计算每一列的平均值，然后用这些平均值来填补缺失值：

计算每一列的平均值
mean_values = df.mean()
用平均值填补缺失值
df_filled = df.fillna(mean_values)

这样，我们就得到了一个没有缺失值的数据集，每个缺失值都被相应列的平均值所替代。

方法二：对每一行进行插补

我们可能需要根据每一行的情况来插补缺失值，我们可以用同一行中非缺失值的平均值来填补缺失值，这就需要我们稍微复杂一点的代码：

用每一行非缺失值的平均值填补缺失值
df_filled_per_row = df.apply(lambda row: row.fillna(row.mean()), axis=1)

这里，我们用apply方法对每一行应用一个函数，这个函数计算每一行的平均值，并用它来填补缺失值。

结果展示

我们可以打印出填补后的数据集，看看效果如何：

print(df_filled)
print(df_filled_per_row)

这样，我们就完成了同类均值插补的操作，是不是很简单？这种方法虽然简单，但在很多情况下都非常有效，尤其是在数据缺失不是很严重的情况下。

同类均值插补并不是万能的，它也有一些局限性，如果数据集中的缺失值很多，或者缺失值的分布不均匀，这种方法可能就不太适用了，这时候，我们可能需要考虑更复杂的插补方法，比如基于模型的插补或者多重插补。

同类均值插补是一个简单实用的数据预处理技巧，可以帮助我们处理数据集中的缺失值，希望这次的分享对你有帮助，如果你有任何问题或者想法，欢迎在评论区留言讨论哦！我们下次见！