这并不好。所以，这是正确的方法。我们在数值特征culmen_length_mm、culmen_depth_mm、flipper_length_mm和body_mass_g中检测到缺失的数据。对于这些特征的插补值，我们将使用特征的平均值。对于分类特征"性别"，我们使用最常见的值。我们是这样做的：
data = pd.read_csv('./data/penguins_size.csv')
data['culmen_length_mm'].fillna((data['culmen_length_mm'].mean()), inplace=True)
data['culmen_depth_mm'].fillna((data['culmen_depth_mm'].mean()), inplace=True)
data['flipper_length_mm'].fillna((data['flipper_length_mm'].mean()), inplace=True)
data['body_mass_g'].fillna((data['body_mass_g'].mean()), inplace=True)
data['sex'].fillna((data['sex'].value_counts().index[0]), inplace=True)
data.reset_index()
data.head()
观察上面提到的第三个示例现在的样子：
通常，数据不会丢失，但它的值无效。例如，我们知道对于"性别"特征，我们可以有两个值：女性和男性。我们可以检查我们是否有除此以外的值：
data.loc[(data['sex'] != 'female') & (data['sex'] != 'MALE')]
事实证明，我们有一个记录具有此功能的值"."，这是不正确的。我们可以将这些实例观察为缺失数据，并删除或替换它们：
data = data.drop([336])
data.reset_index()2. 分类编码
改进预测的一种方法是在处理类别变量时应用聪明的方法。顾名思义，这些变量具有离散值，并表示某种类别或类。例如，颜色可以是分类变量（"红色"、"蓝色"、"绿色"）。
挑战在于将这些变量纳入数据分析，并将其与机器学习算法结合使用。一些机器学习算法支持分类变量，无需进一步操作，但有些则不支持。这就是我们使用分类编码的原因。在本教程中，我们将介绍几种类型的分类编码，但在继续之前，让我们将这些变量从数据集中提取到一个单独的变量中，并将它们标记为分类类型：
data["species"] = data["species"].astype('category')
data["island"] = data["island"].astype('category')
data["sex"] = data["sex"].astype('category')
data.dtypes
species category
island category
culmen_length_mm float64
culmen_depth_mm float64
flipper_length_mm float64
body_mass_g float64
sex category
categorical_data = data.drop(['culmen_length_mm', 'culmen_depth_mm', 'flipper_length_mm', \
'body_mass_g'], axis=1)
categorical_data.head()
好了，现在我们准备好了。我们从最简单的编码形式标签编码开始。
2.1 标签编码标签编码将每个分类值转换为某个数字。例如，"物种"特征包含 3 个类别。我们可以将值 0 赋给 Adelie，1 赋给 Gentoo，2 赋给 Chinstrap。要执行此技术，我们可以使用熊猫：
categorical_data["species_cat"] = categorical_data["species"].cat.codes
categorical_data["island_cat"] = categorical_data["island"].cat.codes
categorical_data["sex_cat"] = categorical_data["sex"].cat.codes
categorical_data.head()
