填充器#

根据指定的填充策略来填充缺失数据的组件。

模块内容#

类摘要#

Imputer

根据指定的填充策略来填充缺失数据。

目录#

class evalml.pipelines.components.transformers.imputers.imputer.Imputer(categorical_impute_strategy='most_frequent', categorical_fill_value=None, numeric_impute_strategy='mean', numeric_fill_value=None, boolean_impute_strategy='most_frequent', boolean_fill_value=None, random_seed=0, **kwargs)[source]#

根据指定的填充策略来填充缺失数据。

参数

categorical_impute_strategy (string) – 用于字符串、对象、布尔、类别dtype的填充策略。有效值包括“most_frequent”和“constant”。
numeric_impute_strategy (string) – 用于数值列的填充策略。有效值包括“mean”、“median”、“most_frequent”和“constant”。
boolean_impute_strategy (string) – 用于布尔列的填充策略。有效值包括“most_frequent”和“constant”。
categorical_fill_value (string) – 当 categorical_impute_strategy == “constant” 时，使用 fill_value 替换缺失数据。默认值 None 将用字符串“missing_value”填充。
numeric_fill_value (int, float) – 当 numeric_impute_strategy == “constant” 时，使用 fill_value 替换缺失数据。默认值 None 将用 0 填充。
boolean_fill_value (bool) – 当 boolean_impute_strategy == “constant” 时，使用 fill_value 替换缺失数据。默认值 None 将用 True 填充。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	{ “categorical_impute_strategy”: [“most_frequent”], “numeric_impute_strategy”: [“mean”, “median”, “most_frequent”, “knn”], “boolean_impute_strategy”: [“most_frequent”]}
modifies_features	True
modifies_target	False
name	Imputer
training_only	False

方法

`clone`	构造一个具有相同参数和随机状态的新组件。
`default_parameters`	返回此组件的默认参数。
`describe`	描述组件及其参数。
`fit`	将填充器拟合到数据。'None' 值在填充前会转换为 np.nan，并被视为相同。
`fit_transform`	在 X 上拟合并转换 X。
`load`	从文件路径加载组件。
`needs_fitting`	返回一个布尔值，指示组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。
`parameters`	返回用于初始化组件的参数。
`save`	将组件保存到文件路径。
`transform`	通过填充缺失值来转换数据 X。
`update_parameters`	更新组件的参数字典。

clone(self)#

构造一个具有相同参数和随机状态的新组件。

返回: 此组件的一个新实例，具有相同的参数和随机状态。

default_parameters(cls)#

返回此组件的默认参数。

我们的惯例是 Component.default_parameters == Component().parameters。

返回: 此组件的默认参数。
返回类型: dict

describe(self, print_name=False, return_dict=False)#

描述组件及其参数。

参数

print_name (bool, optional) – 是否打印组件名称
return_dict (bool, optional) – 是否以字典格式 {“name”: name, “parameters”: parameters} 返回描述

返回

如果 return_dict 为 True，则返回字典，否则返回 None。

返回类型

None or dict

fit(self, X, y=None)[source]#

将填充器拟合到数据。'None' 值在填充前会转换为 np.nan，并被视为相同。

参数

X (pd.DataFrame, np.ndarray) – 输入训练数据，形状为 [n_samples, n_features]
y (pd.Series, optional) – 目标训练数据，长度为 [n_samples]

返回

self

fit_transform(self, X, y=None)#

在 X 上拟合并转换 X。

参数

X (pd.DataFrame) – 要拟合和转换的数据。
y (pd.Series) – 目标数据。

返回

转换后的 X。

返回类型

pd.DataFrame

引发

MethodPropertyNotFoundError – 如果转换器没有 transform 方法或实现 transform 的 component_obj。

static load(file_path)#

从文件路径加载组件。

参数: file_path (str) – 文件加载位置。
返回: ComponentBase 对象

needs_fitting(self)#

返回一个布尔值，指示组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。

对于不需要拟合或其 fit 方法不执行任何操作的组件，此属性可以被覆盖为 False。

返回: True。

property parameters(self)#: 返回用于初始化组件的参数。

save(self, file_path, pickle_protocol=cloudpickle.DEFAULT_PROTOCOL)#

将组件保存到文件路径。

参数

file_path (str) – 文件保存位置。
pickle_protocol (int) – pickle 数据流格式。

transform(self, X, y=None)[source]#

通过填充缺失值来转换数据 X。

参数

X (pd.DataFrame) – 要转换的数据
y (pd.Series, optional) – 忽略。

返回

转换后的 X

返回类型

pd.DataFrame

update_parameters(self, update_dict, reset_fit=True)#

更新组件的参数字典。

参数

update_dict (dict) – 要更新的参数字典。
reset_fit (bool, optional) – 如果为 True，则会将 _is_fitted 设置为 False。