как удалить нулевое значение в tenorflow?

Question

Я впервые спрашиваю StackOverflow, поэтому, если я скажу что-то странное, пожалуйста, дайте мне знать гладко.

Я хочу предсказать точность в этом наборе данных.Но я не знаю, как принимать или удалять значения nan или null, используя панды или numpy, и как получить правильную точность и потери в этой модели.

И я пытался использовать функцию isnull в пандах, но этоне сработало.

Я думаю, что причина того, почему значение точности и потери не рассчитываются, заключается в том, что значение, установленное как X, принадлежит нулевому значению.

, поэтому я хочузнать, как исключить значения Nan или NULL.

Если у вас есть похожий случай или вы решаете эту проблему, пожалуйста, дайте мне знать, как решить эту проблему.спасибо!

Answer 1

Вы сказали, что не знаете, как удалить значения nan в pandas или numpy, но иногда мы не удаляем их, мы заменяем их.Например, вы можете поставить ноль для ненулевых значений для объекта, или вы можете вычислить среднее значение этого объекта и использовать его.

Чтобы удалить строки со значениями nan, вы можете сделать это:

x = np.array([[1,2,3,4],
              [2,3,np.nan,5],
              [np.nan,5,2,3]])
x = x[~np.isnan(x).any(axis=1)]

output:

array([[1., 2., 3., 4.]])

Или заменить Nan чем-то другим, например 0, для массива numpy:

x[np.isnan(x)] = 0

output

x:
array([[1., 2., 3., 4.],
       [2., 3., 0., 5.],
       [0., 5., 2., 3.]])

В кадре данных pandas вы можете удалить определенный столбец с помощью Nan elemnt

x = np.array([[np.nan,2,3,4],
          [2,3,np.nan,5],
          [3,5,2,3]])
xpd = pd.DataFrame(x, columns=["A","B","C","D"])
xpd = xpd[pd.notnull(xpd['A'])]

output

xpd
     A    B    C    D
1  2.0  3.0  NaN  5.0
2  3.0  5.0  2.0  3.0

или удалите строку с элементом Nan

xpd:
     A    B    C    D
2  3.0  5.0  2.0  3.0

, а также вы можете заменить значение nan чем-то другим в dataframe padas

xpd = xpd.replace([np.nan], 0)

output

xpd:
     A    B    C    D
0  0.0  2.0  3.0  4.0
1  2.0  3.0  0.0  5.0
2  3.0  5.0  2.0  3.0