在我当前的项目中，我正在使用 K = 5 进行 KNN 插补，并且正在使用 sklearn.impute.KNNImputer。我混合了连续变量和名义变量（编码为 0/1 或已编码为 0/0.25/0.5/0.75/1 等的序数变量）。但是，文档说“每个样本的缺失值都是使用训练集中找到的 n_neighbors 最近邻居的平均值估算的。” 因此，对于标称属性，我得到了介于 0.4 之类的中间值。有没有办法覆盖它以将名义列的平均值更改为模式？
另外，我查看了missingpy和fancyimpute，但它们似乎都在使用均值~
默认情况下，scikit-learn 的KNNImputer使用欧几里德距离度量来搜索邻居并使用平均值来估算值。
如果您有连续变量和名义变量的组合，则应传入不同的距离度量。
如果您想使用除均值之外的其他插补函数，则必须自己实现。
解决此问题的最佳方法是使用如下管道：
工作示例：
import pandas as pd
import numpy as np
from sklearn.pipeline import Pipeline
from sklearn.compose import make_column_selector, make_column_transformer
from sklearn.linear_model import LogisticRegression
from sklearn.impute import SimpleImputer, KNNImputer
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.metrics import plot_roc_curve
from sklearn.datasets import fetch_openml
# Load the data
X, y = fetch_openml("titanic", version=1, as_frame=True, return_X_y=True)
X.replace({None:np.nan}, inplace = True)
# Some preprocessing to correct data types and replace None with nans for pipeline imputer
X.drop(["name","home.dest"], axis = 1, inplace = True)
X["embarked"] = X["embarked"].astype("object")
X["sex"] = X["sex"].astype("object")
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, test_size=0.2)
cat_prepro = Pipeline([("imputer",SimpleImputer(strategy="most_frequent")),
("encoder",OneHotEncoder(handle_unknown = "ignore"))])
cont_prepro = Pipeline([("imputer", KNNImputer()), ("scaler",StandardScaler())])
preprocessor = make_column_transformer(
(cat_prepro,make_column_selector(dtype_include= "object")),
(cont_prepro,make_column_selector(dtype_exclude="object"))
)
model = Pipeline([("preprocessor",preprocessor),
("classifier",LogisticRegression(random_state= 1990))]).fit(X_train, y_train)
model.score(X_test,y_test)
plot_roc_curve(model,X_test,y_test);
