缺失值填充 (Imputer)

Java 类名：com.alibaba.alink.pipeline.dataproc.Imputer

Python 类名：Imputer

功能介绍

填充缺失值，生成的模型可以用于其他数据的预处理过程

支持的填充策略包含最大值，最小值，均值和指定数值，默认为均值填充

参数说明

名称	中文名称	描述	类型	是否必须？	取值范围	默认值
selectedCols	选择的列名	计算列对应的列名列表	String[]	✓
fillValue	填充缺失值	自定义的填充值。当strategy为value时，读取fillValue的值	String			null
modelFilePath	模型的文件路径	模型的文件路径	String			null
outputCols	输出结果列列名数组	输出结果列列名数组，可选，默认null	String[]			null
overwriteSink	是否覆写已有数据	是否覆写已有数据	Boolean			false
strategy	缺失值填充规则	缺失值填充的规则，支持mean，max，min或者value。选择value时，需要读取fillValue的值	String		“MEAN”, “MIN”, “MAX”, “VALUE”	“MEAN”
numThreads	组件多线程线程个数	组件多线程线程个数	Integer			1
modelStreamFilePath	模型流的文件路径	模型流的文件路径	String			null
modelStreamScanInterval	扫描模型路径的时间间隔	描模型路径的时间间隔，单位秒	Integer			10
modelStreamStartTime	模型流的起始时间	模型流的起始时间。默认从当前时刻开始读。使用yyyy-mm-dd hh:mm:ss.fffffffff格式，详见Timestamp.valueOf(String s)	String			null

代码示例

Python 代码

from pyalink.alink import *

import pandas as pd

useLocalEnv(1)

df = pd.DataFrame([
            ["a", 10.0, 100],
            ["b", -2.5, 9],
            ["c", 100.2, 1],
            ["d", -99.9, 100],
            ["a", 1.4, 1],
            ["b", -2.2, 9],
            ["c", 100.9, 1],
            [None, None, None]
])
             
colnames = ["col1", "col2", "col3"]
selectedColNames = ["col2", "col3"]

inOp = BatchOperator.fromDataframe(df, schemaStr='col1 string, col2 double, col3 double')
sinOp = StreamOperator.fromDataframe(df, schemaStr='col1 string, col2 double, col3 double')
                   
model = Imputer()\
           .setSelectedCols(selectedColNames)\
           .fit(inOp)

model.transform(inOp).print()

model.transform(sinOp).print()

StreamOperator.execute()

Java 代码

import org.apache.flink.types.Row;

import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.pipeline.dataproc.Imputer;
import com.alibaba.alink.pipeline.dataproc.ImputerModel;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.operator.stream.StreamOperator;
import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
import org.junit.Test;

import java.util.Arrays;
import java.util.List;

public class ImputerTrainBatchOpTest {
	@Test
	public void testImputerTrainBatchOp() throws Exception {
		List <Row> df_data = Arrays.asList(
			Row.of("a", 10.0, 100),
			Row.of("b", -2.5, 9),
			Row.of("c", 100.2, 1),
			Row.of("d", -99.9, 100),
			Row.of("a", 1.4, 1),
			Row.of("b", -2.2, 9),
			Row.of("c", 100.9, 1),
			Row.of(null, null, null)
		);

		String[] selectedColNames = new String[] {"col2", "col3"};
		BatchOperator <?> inOp = new MemSourceBatchOp(df_data, "col1 string, col2 double, col3 int");
		ImputerModel imputerModel = new Imputer()
			.setSelectedCols(selectedColNames)
            .fit(inOp);
		imputerModel.transform(inOp).print();
		StreamOperator <?> sinOp = new MemSourceStreamOp(df_data, "col1 string, col2 double, col3 int");
		imputerModel.transform(inOp).print();
		StreamOperator.execute();
	}
}

运行结果

col1	col2	col3
a	10.000000	100
b	-2.500000	9
c	100.200000	1
d	-99.900000	100
a	1.400000	1
b	-2.200000	9
c	100.900000	1
null	15.414286	31