關於value_count

value_counts將會對於指定列的數據進行group，然后統計出各個出現的值的數量，並且按照從高到低的順序進行排序

train_data = load_titanic_data("train.csv")
train_data["Pclass"].value_counts()

輸出：

3 491 
1 216 
2 184 
Name: Pclass, dtype: int64

代表Pclass這個字段共有三種值：1，2，3；出現的次數分別為216,184以及491，上面的列表就是按照出現“值”的數量從高到低排列以及數量進行排列；

原則即使：在對於NaN值處理常規的一種方案就是對於數字型取“中位數”，對於Category的（文字型）填充則取出現頻率最高的；下面就是實現對於文字型填充Null值；

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import Imputer

num_pipeline = Pipeline([
        ("select_numeric", DataFrameSelector(["Age", "SibSp", "Parch", "Fare"])),
        ("imputer", Imputer(strategy="median")),
    ])

class MostFrequentImputer(BaseEstimator, TransformerMixin):
    def fit(self, X, y=None):
        self.most_frequent_ = pd.Series([X[c].value_counts().index[0] for c in X],
                                        index=X.columns)
        return self
    def transform(self, X, y=None):
        return X.fillna(self.most_frequent_)

from future_encoders import OneHotEncoder
cat_pipeline = Pipeline([
        ("select_cat", DataFrameSelector(["Pclass", "Sex", "Embarked"])),
        ("imputer", MostFrequentImputer()),
        ("cat_encoder", OneHotEncoder(sparse=False)),
    ])

cat_pipeline.fit_transform(train_data)

 

 參考：

https://stackoverflow.com/questions/25239958/impute-categorical-missing-values-in-scikit-learn