Imputación por KNN en Python

Curso de Manejo de Datos Faltantes: Imputación

Problemática de valores faltantes

El problema de trabajar con valores faltantes

Proceso de análisis y limpieza de datos

Visualizar y eliminar valores faltantes

Implicaciones de los distintos tipos de valores faltantes

Amplía tu conjunto de herramientas para explorar valores faltantes

Tratamiento de variables categóricas para imputación: codificación ordinal

Tratamiento de variables categóricas para imputación: one-hot encoding

Métodos de imputación de valores faltantes

Imputación basada en el donante

Imputación por media, mediana y moda

Imputación por llenado hacia atrás y hacia adelante

Imputación por interpolación

Imputación por KNN

Imputación por KNN en Python

Imputación basada en modelos

Introducción a la imputación basada en modelos

Imputaciones Múltiples por Ecuaciones Encadenadas (MICE)

Conclusión

Transformación inversa de los datos

¿Cómo continuar practicando?

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Si ya tienes una cuenta,

Recursos

Aportes 9

Preguntas 2

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

Jeinfferson Bernal G

hace 2 años

Ordenamiento por cantidad de variables faltantes

Ordenar los datos por la cantidad de valiables faltantes nos da cierto rigor al momento de la imputacion. Esto se logra comenzando con definir las distancias entre valores existentes para luego predecir o imputar valores que no existen repitiendo el proceso paso a paso hasta lograr la imputacion completa de los datos. Algunos algoritmos implementan esta tecnica por defecto.

Imputacion por KNN al ordenas las variables segun su cantidad de valores faltantes de forma ascendente

# imputador con knn
knn_imputer = sklearn.impute.KNNImputer()

# copia del df                        ordenamos las variables por la cantidad de missing de forma ascendente
nhanes_df_knn = nhanes_transformed_df.missing.sort_variables_by_missingness(ascending=True).copy(deep=True)

# agregamos los valores imputados al nuevo df         ajustamos los datos ordenados por la cantidad de variables faltantes                                                                              redondeamos valores   
nhanes_df_knn.iloc[:, :] = knn_imputer.fit_transform(nhanes_transformed_df.missing.sort_variables_by_missingness(ascending=True).copy(deep=True)).round()

nhanes_df_knn

Visualizacion mediante un scatterplot

(   # matriz de sombra
    pd.concat(
        [
            nhanes_df_knn,
            nhanes_df.missing.create_shadow_matrix2(True, False, suffix='_imp', only_missing=True)
        ],
        axis=1
    )   # visualizacion mediantes un scatterplot de dos variables numericas
    .missing.scatter_imputation_plot(
        x = 'height',
        y = 'weight'
    )
)

Aunque ambas imputaciones son similares, puede darse el caso dependiendo del software que aplicando este truco te ayude a conseguir mejores rendimientos en el conjunto de datos

Jeinfferson Bernal G

hace 2 años

Imputacion por KNN en Python

Utilizamos el dataframe con los datos categoricos transformados en numeros

nhanes_transformed_df

Creamos el imputador con el algoritmo de knn

# imputador con knn
knn_imputer = sklearn.impute.KNNImputer()

Creamos una copia del dataframe con los datos transformados

nhanes_df_knn = nhanes_transformed_df.copy(deep=True)

Imputamos los valores faltantes

# agregamos los valores al nuevo df                  sobreescribimos        redondeamos valores   
nhanes_df_knn.iloc[:, :] = knn_imputer.fit_transform(nhanes_transformed_df).round()

nhanes_df_knn

Jeinfferson Bernal G

hace 2 años

Visualizacion de la imputacion por KNN

Creamos la matriz de sombra y luego graficamos mediante un scattterplot

(   # matriz de sombra
    pd.concat(
        [
            nhanes_df_knn,
            nhanes_df.missing.create_shadow_matrix2(True, False, suffix='_imp', only_missing=True)
        ],
        axis=1
    )   # visualizacion mediantes un scatterplot de dos variables numericas
    .missing.scatter_imputation_plot(
        x = 'height',
        y = 'weight'
    )
)

Catriel Perez

hace 2 años

hasta el min 7 es el mismo video que la clase 12

Pablo Alejandro Figueroa

hace 10 meses

Sorted or not sorted…?

Me parece que es lo mismo:

Mario Alexander Vargas Celis

hace 3 meses

La \*\*imputación por KNN\*\* en Python se puede realizar de manera efectiva utilizando la clase `KNNImputer` de la librería `scikit-learn`. Esta herramienta es útil para reemplazar los valores faltantes basándose en las observaciones más cercanas en términos de distancia entre puntos. \### Pasos para implementar KNNImputer en Python: 1\. \*\*Instalación de las dependencias necesarias\*\* (si aún no las tienes instaladas): ```bash pip install scikit-learn pandas ``` 2\. \*\*Imputación por KNN\*\* con un ejemplo práctico. \#### Ejemplo paso a paso: ```python import numpy as np import pandas as pd from sklearn.impute import KNNImputer \# Crear un DataFrame con valores faltantes data = {'A': \[1, 2, np.nan, 4, 5], 'B': \[5, np.nan, np.nan, 3, 2], 'C': \[7, 8, 9, 10, 11]} df = pd.DataFrame(data) \# Mostrar el DataFrame original con valores faltantes print("DataFrame original:") print(df) \# Crear un objeto KNNImputer con K=2 (número de vecinos más cercanos) imputer = KNNImputer(n\_neighbors=2) \# Imputar los valores faltantes utilizando KNN df\_imputed = pd.DataFrame(imputer.fit\_transform(df), columns=df.columns) \# Mostrar el DataFrame después de la imputación print("\nDataFrame imputado por KNN:") print(df\_imputed) ``` \### Explicación del código: 1\. \*\*DataFrame con valores faltantes\*\*: Creamos un `DataFrame` con algunas celdas vacías (representadas por `np.nan`). 2\. \*\*KNNImputer\*\*: Inicializamos el objeto `KNNImputer` con 2 vecinos más cercanos (`n\_neighbors=2`). Puedes ajustar este valor dependiendo de cuántos vecinos desees utilizar. 3\. \*\*Imputación\*\*: Aplicamos el método `fit\_transform()` para realizar la imputación de los valores faltantes. 4\. \*\*Resultados\*\*: Visualizamos el DataFrame con los valores imputados. \### Salida esperada: ``` DataFrame original: A B C 0 1.0 5.0 7 1 2.0 NaN 8 2 NaN NaN 9 3 4.0 3.0 10 4 5.0 2.0 11 DataFrame imputado por KNN: A B C 0 1.0 5.0 7.0 1 2.0 4.0 8.0 2 3.0 4.0 9.0 3 4.0 3.0 10.0 4 5.0 2.0 11.0 ``` \### Consideraciones adicionales: \- \*\*Escalado de los datos\*\*: Si los datos tienen escalas muy diferentes, es recomendable normalizarlos antes de aplicar KNNImputer para que las variables no dominen en el cálculo de las distancias. ```python from sklearn.preprocessing import StandardScaler scaler = StandardScaler() df\_scaled = scaler.fit\_transform(df) \# Aplicar KNN después de escalar los datos df\_imputed\_scaled = pd.DataFrame(imputer.fit\_transform(df\_scaled), columns=df.columns) ``` \- \*\*Elección del número de vecinos (\\( K \\))\*\*: El número de vecinos a utilizar puede variar según el tipo de datos y la cantidad de valores faltantes. Generalmente, se prueba con distintos valores de \\( K \\) y se evalúa cuál proporciona mejores resultados para el conjunto de datos. La imputación por KNN es útil cuando los valores faltantes están relacionados con otras observaciones cercanas en el espacio de características, proporcionando una forma eficiente de imputar datos faltantes sin introducir sesgos arbitrarios.

Paola Camacho Alapizco

hace 7 meses

🤔 Creo que uno de los puntos importantes a destacar de este modulo, es la distribución que siguen los valores faltantes una vez imputados respecto a la distribución de los valores completos. **Valor único** que utiliza un valor estadístico (media, moda o mediana) de la variable (columna) para rellenar los valores faltantes. Donde la distribución de los valores completos es mucho más aplanada (valores muy dispersos respecto de la media), mientras que los valores faltantes al haber sido imputados con el valor de la media tienen una distribución/forma **leptocúrtica** donde los valores se concentran al rededor de la media. Es obvio al haber sido rellenados con este valor 😅. **Llenado hacia adelante**, utiliza el último valor conocido antes del valor faltante para rellenarlo. **Llenado hacia atrás**, utiliza el primer valor conocido después del valor faltante para rellenarlo. En ambos casos los valores imputados se dispersan de manera uniforme entre los datos completos, mientras que la distribución de los valores faltantes imputados es mucho más aplanada y con los valores más dispersos respecto de la media en comparación con la distribución de los valores completos. `ffill()` `bfill()` **K-vecinos más cercanos**, el cuál imputa el valor de la media de esos vecinos más próximos al valor faltante, al realizar el proceso de imputación con este algoritmo obtenemos una distribución de los valores faltantes más parecida a la distribución de los valores completos. A diferencia del llenado hacia adelante y hacia atrás, los valores imputados son más próximos entre si.

Andrés Cardona

hace un año

Alguien tiene el archivo con la función de scatter\_imputation\_plot()? en el que yo tengo no está la función y no me funciona.

Andres Sanchez

hace un año

13. Imputación por KNN en Python

knn_imputer = sklearn.impute.KNNImputer()

nhanes_df_knn = nhanes_transformed_df.missing.sort_variables_by_missingness(ascending=True).copy(deep=True)

nhanes_df_knn.iloc[:, :] = knn_imputer.fit_transform(nhanes_transformed_df.missing.sort_variables_by_missingness(ascending=True)).round()
nhanes_df_knn.head(20)

(
    pd.concat(
        [
            nhanes_df_knn,
            nhanes_df.missing.create_shadow_matrix(True, False, suffix='_imp',only_missing=True)
        ],
        axis=1
    )
     .missing.scatter_imputation_plot(
         x='height',
         y='weight',
     )   
        
)