No puedes usar como estrategia la media para imputar valores en variables categóricas. Simplemente no incluyas esa columna.
import pandas as pd
import numpy as np
from sklearn.impute import SimpleImputer
movies_v2 = pd.DataFrame(
{"title":("Avatar", "Reservoir Dogs", "Blade Runner",
"El club de la lucha", np.nan, "Blade Runner"),
"foo": (5.8, 7.9, 8.3, np.nan, 7.5, np.nan),
"bar": (np.nan, 8.2, 8.6, 6.2, 2.8, 5.2)}
)
imputer = SimpleImputer(missing_values=np.nan, strategy='mean')
values = imputer.fit_transform(movies_v2.iloc[:, 1:])
>>> values)
[[5.8 6.2 ]
[7.9 8.2 ]
[8.3 8.6 ]
[7.375 6.2 ]
[7.5 2.8 ]
[7.375 5.2 ]]
No se si tu primera columna tienen valores nulos a los que quieras inmutar un valor.En tal caso, ten en cuenta que SimpleImputer
soporta datos categóricos en forma de cadena son representados por
pandas.Categorical
pero lógicamente solo cuando se usan las estrategias
'most_frequent' o 'constant', no para 'mean'
.
imputer = SimpleImputer(missing_values=np.nan, strategy='most_frequent')
values = imputer.fit_transform(movies_v2.iloc[:, 0:1])
>>> values
[['Avatar']
['Reservoir Dogs']
['Blade Runner']
['El club de la lucha']
['Blade Runner']
['Blade Runner']]