knn_imputer#

根据指定的填充策略填充缺失数据的组件。

模块内容#

类摘要#

KNNImputer

使用 KNN 根据指定的邻居数量填充缺失数据。忽略自然语言列。

目录#

class evalml.pipelines.components.transformers.imputers.knn_imputer.KNNImputer(number_neighbors=3, random_seed=0, **kwargs)[source]#

使用 KNN 根据指定的邻居数量填充缺失数据。忽略自然语言列。

参数

number_neighbors (int) – KNN 搜索最近邻居的数量。默认为 3。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

modifies_features	真
modifies_target	假
名称	KNN 填充器
training_only	假

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`	描述一个组件及其参数。
`fit`	将填充器拟合到数据。'None' 值在填充前转换为 np.nan，并视为相同。
`fit_transform`	在 X 上拟合并在 X 上进行转换。
`load`	从文件路径加载组件。
`needs_fitting`	返回布尔值，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输入。'None' 和 np.nan 值视为相同。
`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: 具有相同参数和随机状态的此组件的新实例。

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)#

描述一个组件及其参数。

参数

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

返回

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

返回类型

None 或 dict

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

将填充器拟合到数据。‘None’ 值在填充前转换为 np.nan，并视为相同。

参数

X (pd.DataFrame 或 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

引发

ValueError – 如果 KNNImputer 收到同时包含布尔值和类别数据的 DataFrame。

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

在 X 上拟合并在 X 上进行转换。

参数

X (pd.DataFrame) – 用于拟合和转换的数据
y (pd.Series, optional) – 目标数据。

返回

转换后的 X

返回类型

pd.DataFrame

static load(file_path)#

从文件路径加载组件。

参数: file_path (str) – 加载文件的位置。
返回: ComponentBase object

needs_fitting(self)#

返回布尔值，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拟合方法不执行任何操作的组件，可以将其重写为 False。

返回: 真。

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) – 保存文件的位置。
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输入。‘None’ 和 np.nan 值视为相同。

参数

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

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，将设置 _is_fitted 为 False。