per_column_imputer#

根据每列指定的填充策略填充缺失数据的组件。

模块内容#

类摘要#

PerColumnImputer

根据每列指定的填充策略填充缺失数据。

目录#

class evalml.pipelines.components.transformers.imputers.per_column_imputer.PerColumnImputer(impute_strategies=None, random_seed=0, **kwargs)[source]#

根据每列指定的填充策略填充缺失数据。

参数

impute_strategies (dict) – 列与 {“impute_strategy”: 策略, “fill_value”: 值} 的配对。填充策略的有效值对于数值数据包括“mean”（均值）、“median”（中位数）、“most_frequent”（最频繁值）、“constant”（常数），对于对象数据类型包括“most_frequent”（最频繁值）、“constant”（常数）。默认为 None，对所有列使用“most_frequent”。当 impute_strategy == “constant”时，fill_value 用于替换缺失数据。当为 None 时，对于数值数据使用 0，对于字符串或对象数据类型使用“missing_value”。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	{}
modifies_features	True
modifies_target	False
name	Per Column 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`	在输入数据上拟合（fit）填充器。
`fit_transform`	在 X 上拟合（fit）并转换（transform） X。
`load`	从文件路径加载组件。
`needs_fitting`	返回布尔值，确定组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合（fit）。
`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（transform）输入数据。
`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 {“name”: 名称, “parameters”: 参数} 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]#

在输入数据上拟合（fit）填充器。

参数

X (pd.DataFrame or np.ndarray) – 用于拟合（fit）的输入训练数据，形状为 [n_samples, n_features]。
y (pd.Series, optional) – 长度为 [n_samples] 的目标训练数据。被忽略。

返回

self

fit_transform(self, X, y=None)#

在 X 上拟合（fit）并转换（transform） X。

参数

X (pd.DataFrame) – 用于拟合（fit）和转换（transform）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 component_obj 没有实现 transform。

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)#

返回布尔值，确定组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合（fit）。

对于不需要拟合（fit）或其 fit 方法不做任何事的组件，此值可以被覆盖为 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（transform）输入数据。

参数

X (pd.DataFrame or np.ndarray) – 要转换（transform）的输入训练数据，形状为 [n_samples, n_features]。
y (pd.Series, optional) – 长度为 [n_samples] 的目标训练数据。被忽略。

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。