Pandas使用mode填充缺失值原理及Weka对应实现方法咨询

mode就是众数，指一组数据中出现频率最高的值，是分类数据集缺失值填充的常用方案，不会引入原数据集不存在的分类取值。
你提到的代码df.fillna(df.mode().iloc[0])的执行逻辑可以拆解为3步：

• 首先执行df.mode()：对DataFrame的每一列单独计算众数，如果某一列存在多个出现次数相同的最高频值，会返回多行结果，每行对应一个众数
• 之后执行.iloc[0]：取每一列的第一个众数，确保每一列最终只有一个固定的填充值，避免多众数场景下的维度不匹配问题
• 最后执行df.fillna(...)：用每列对应的众数填充该列的所有缺失值

Weka内置了专门的缺失值填充过滤器，默认就支持分类属性用众数填充：

GUI操作步骤 #

• 打开Weka Explorer界面，加载你的分类数据集
• 切换到Preprocess标签页，点击Filter区域的Choose按钮
• 选择路径：weka.filters.unsupervised.attribute.ReplaceMissingValues，应用该过滤器即可，该过滤器默认对分类（标称型）属性用众数填充缺失值，对数值型属性用均值填充

代码调用示例（Java） #

import weka.core.Instances;
import weka.filters.unsupervised.attribute.ReplaceMissingValues;

// 加载数据集逻辑此处省略
ReplaceMissingValues replaceFilter = new ReplaceMissingValues();
replaceFilter.setInputFormat(originalData);
Instances filledData = ReplaceMissingValues.useFilter(originalData, replaceFilter);

如果你只需要对分类属性用众数填充，数值属性用其他方案，可以先拆分两类属性分别处理后再合并即可。

内容的提问来源于stack exchange，提问作者Encipher