TensorFlow如何处理空白数据？CSV回归建模遇缺失值求解决方法

一、TensorFlow对空白值的限制 #

TensorFlow的Keras回归模型不能直接处理空白/缺失值，必须先完成数据预处理，消除缺失值后才能进入模型训练环节。

二、缺失值的具体处理方法 #

1. 删除含空白值的行 #

如果数据集样本量足够，直接删除带缺失值的行最简单，用pandas就能实现：

import pandas as pd

# 读取你的CSV数据集
df = pd.read_csv("你的数据集文件路径.csv")
# 删除所有包含空白值的行
df_cleaned = df.dropna(axis=0)
# 可选：把清理好的数据存成新CSV
df_cleaned.to_csv("清理后的数据.csv", index=False)

要是只想删除特定列有空白值的行，加个subset参数就行：

# 只删除"特征列A"或"目标列"存在空白值的行
df_cleaned = df.dropna(axis=0, subset=["特征列A", "目标列"])

2. 填充空白值（更推荐） #

如果删除行后样本太少，别硬删，用填充法保留更多数据：

import pandas as pd

df = pd.read_csv("你的数据集文件路径.csv")

# 数值列用均值填充空白
df_filled = df.fillna(df.mean(numeric_only=True))
# 或者用中位数填充（适合有异常值的情况）
# df_filled = df.fillna(df.median(numeric_only=True))

# 如果有分类列，用众数填充
# df_filled["分类列名称"] = df_filled["分类列名称"].fillna(df_filled["分类列名称"].mode()[0])

三、对接TensorFlow回归教程 #

处理完缺失值后，就可以跟着教程走：

• 从处理好的数据里拆分特征（X）和目标变量（y）
• 划分训练集、测试集
• 构建Keras模型并训练

内容的提问来源于stack exchange，提问作者Rena W