Question

我正在测试机器学习算法的性能，特别是它如何处理丢失的数据以及在缺少变量时会遇到什么样的性能下降。

例如，当缺少变量x的20％时，模型的精度将降低一定的百分比。为此，我想通过替换dataframe列中20％的行来模拟丢失的数据。

是否存在现有方法？

启动df：

d = {'var1': [1, 2, 3, 4], 'var2': [5, 6, 7, 8]}
df = pd.DataFrame(data=d)
df
    var1   var2
0     1     5
1     2     6
2     3     7
3     4     8

最终结果：随机删除列“ var1”的50％

df
    var1   var2
0    nan    5
1     2     6
2    nan    7
3     4     8

Answer 1

使用sample方法重新分配，由于自动对齐，大熊猫将引入NaN值：

df['var1'] = df['var1'].sample(frac=0.5)

交互式：

In [1]: import pandas as pd
   ...: d = {'var1': [1, 2, 3, 4], 'var2': [5, 6, 7, 8]}
   ...: df = pd.DataFrame(data=d)
   ...: df
   ...:
Out[1]:
   var1  var2
0     1     5
1     2     6
2     3     7
3     4     8

In [2]: df['var1'] = df['var1'].sample(frac=0.5)

In [3]: df
Out[3]:
   var1  var2
0   1.0     5
1   NaN     6
2   3.0     7
3   NaN     8

Answer 2

（注意：我在发布mcve之前创建了此代码。我可以对其进行编辑以包含您的起始代码。）

这是一个解决方案：

import pandas as pd
import numpy as np

df = pd.DataFrame({'x': np.random.random(20)})

length = len(df)
num = int(0.2*length)
idx_replace = np.random.randint(0, length-1, num)

df.loc[idx_replace, 'x'] = np.nan

print(df)

输出：

           x
0   0.426642
1        NaN
2        NaN
3   0.869367
4   0.719778
5        NaN
6   0.944411
7   0.424733
8   0.246545
9   0.344444
10  0.810131
11  0.735028
12       NaN
13  0.707681
14  0.963711
15  0.420725
16  0.787127
17  0.618693
18  0.606222
19  0.022355

Answer 3

https://chartio.com/resources/tutorials/how-to-check-if-any-value-is-nan-in-a-pandas-dataframe/

向下跳至“计数DataFrame中的缺失值”
df.isnull（）。sum（）。sum（）

熊猫随机用NaN替换值

3 个答案: