关于处理分类数据中的缺失值，我已经完成了这个。
数据集大约6 categorical columns有missing values. 这将是一个二元分类问题
我看到了不同的方法，一种是使用just leave the missing values in category column as such，另一种是使用from sklearn.preprocessing import Imputer，但不确定哪个是更好的选择。
如果imputing是更好的选择，我可以在应用模型之前使用哪些库，例如LR,Decision Tree, RandomForest.
谢谢！
首先，我会查看列中有多少缺失值。如果有太多（~20%，通常很难说有多少是太多），我会删除该列，因为输入 20% 的数据（没有事先的专业知识）甚至更可能不会给你有意义的信息了。
其次，我会研究缺失值与其他特征之间的相关性。也许您很幸运，并且 x 列中的缺失值与 y 列中的分类值之间存在一些相关性。简单地看一下条件分布。
如果您选择插补，请检查分类值的分布以查找非缺失条目。如果分布严重偏斜，比如有 95% 的值为 0，只有 5% 的值为 1，则可以使用中位数进行估算。同样，问题是这到底有多少信息。否则，创建一个仅表示缺失值的附加分类值。
我们必须问的第一个问题是“为什么缺少这些值？”
如果大于 25%，则跳过该功能
尝试从数据源/提供者那里了解原因。他们可能会提供线索，您可以使用该线索，例如，一个城市在数据收集期间出现电源故障。
只需为缺失创建一个新类别并检查结果。这只有在有潜在的失踪原因时才有效
尝试计算/猜测领域知识与其他特征的相关性，然后填写相应的值。我提出这一点是为了避免整列的平均值/中值，例如在下面的数据中，整列的平均值 ~750 但我们应该填充 ~100
K 最近邻- 这可以一次性完成 #3 的两个步骤。幸运的是，SciKitLearn 有一个 Imputer。例如sklearn.impute.KNNImputer（一次保持一个分类）
盲法- 简单地替换为平均值/中值。对于分类 - most_frequent（模式）
SimpleImputer(strategy="most_frequent")
尝试一些并监控结果以确定最佳方法
深思熟虑的读物
——Max Kuhn 和 Kjell Johnson
我想说的一点是将数据视为事件/因果关系，并在直接寻找锤子/枪之前尝试弄清楚事情。如果它是一个真正的项目。如果是学东西就好了。
如何训练 ML 分类模型，其中所有特征都用作输入，标签是您的分类值。这样我们就可以预测缺失值。
我会在其他答案中补充说，如果这些缺失值具有含义，即使它们包含超过一半的缺失值，列也可能很有用。例如，在信用风险建模中，可能有一列包含一些财务报表指标，其中缺失值可能意味着该人拒绝提供财务报表，这本身就是一个很大的风险危险信号。因此，无论数据来自何处，澄清这一点总是有帮助的。