time_series_imputer#

根据指定的时间序列特定填补策略填补缺失数据的组件。

模块内容#

类摘要#

TimeSeriesImputer

根据指定的时间序列特定填补策略填补缺失数据。

目录#

class evalml.pipelines.components.transformers.imputers.time_series_imputer.TimeSeriesImputer(categorical_impute_strategy='forwards_fill', numeric_impute_strategy='interpolate', target_impute_strategy='forwards_fill', random_seed=0, **kwargs)[source]#

根据指定的时间序列特定填补策略填补缺失数据。

此 Transformer 应在 TimeSeriesRegularizer 之后使用，以填补添加到 X 和 y（如果已传入）中的缺失值。

参数

categorical_impute_strategy (string) – 用于字符串、对象、布尔、类别 dtype 的填补策略。有效值包括 “backwards_fill” 和 “forwards_fill”。默认为 “forwards_fill”。
numeric_impute_strategy (string) – 用于数值列的填补策略。有效值包括 “backwards_fill”、“forwards_fill” 和 “interpolate”。默认为 “interpolate”。
target_impute_strategy (string) – 用于目标列的填补策略。有效值包括 “backwards_fill”、“forwards_fill” 和 “interpolate”。默认为 “forwards_fill”。
random_seed (int) – 随机数生成器的种子。默认为 0。

引发

ValueError – 如果 categorical_impute_strategy、numeric_impute_strategy 或 target_impute_strategy 不是有效值之一。

属性

超参数范围	{ “categorical_impute_strategy”: [“backwards_fill”, “forwards_fill”], “numeric_impute_strategy”: [“backwards_fill”, “forwards_fill”, “interpolate”], “target_impute_strategy”: [“backwards_fill”, “forwards_fill”, “interpolate”],}
modifies_features	True
modifies_target	True
名称	时间序列填补器
仅训练	True

方法

`克隆`	构造一个具有相同参数和随机状态的新组件。
`默认参数`	返回此组件的默认参数。
`描述`	描述组件及其参数。
`拟合`	将填补器拟合到数据。
`拟合并转换`	在 X 上拟合并转换 X。
`加载`	从文件路径加载组件。
`需要拟合`	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。
`参数`	返回用于初始化组件的参数。
`保存`	将组件保存到文件路径。
`转换`	通过使用指定的时间序列特定策略填补缺失值来转换数据 X。在填补之前，'None' 值被转换为 np.nan 并被视为相同。
`更新参数`	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。

返回值: 一个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。

我们的约定是 Component.default_parameters == Component().parameters。

返回值: 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

返回值

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]#

将填补器拟合到数据。

在填补之前，‘None’ 值被转换为 np.nan 并被视为相同。如果一列的开头或结尾处缺少值，则根据需要分别使用向后填充或向前填充来填补该值。

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]

返回值

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。

返回值

转换后的 X。

返回类型

pd.DataFrame

引发

MethodPropertyNotFoundError – 如果 transformer 没有 transform 方法或没有实现 transform 的 component_obj。

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。
返回值: 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。

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

返回值: 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) – 保存文件的位置。
pickle_protocol (int) – pickle 数据流格式。

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

通过使用指定的时间序列特定策略填补缺失值来转换数据 X。在填补之前，‘None’ 值被转换为 np.nan 并被视为相同。

参数

X (pd.DataFrame) – 要转换的数据。
y (pd.Series, optional) – 可选，要转换的目标数据。

返回值

转换后的 X 和 y

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 _is_fitted 设置为 False。