如何处理 Python 中本应缺失的缺失值（不应插入 NaN）？
How to handle missing values in Python that are supposed to be missing (NaNs shouldn't be interpolated)?
我正在进行一个项目，根据许多变量对一个人的幸福感变化进行建模。
大多数解释变量是每天的（他们吃了多少食物、每天锻炼、睡眠等......）但其中一些是每周的 - 他们应该是每周的，并且对预测变量有影响每周一次。
例如，每周变量之一是一个人在每周的同一天称体重时的体重变化。
此数据每周仅提供一次，并影响当天的人的幸福度。
在那种情况下，有人可以告诉我如何在每周变量没有可用数据的日子里处理 python 中的缺失数据吗？
推断缺失日期的数据是错误的，因为在没有可用日期的那些每周变量中，人的幸福感根本不会受到影响。
我创建了一个虚拟对象，当每周数据可用时为 1，如果没有则为 0，但我不知道如何处理丢失的数据。我不能离开 NaN，否则 python 不会 运行 回归但我不能输入 0，因为有时数据可用当天的实际变量值（例如：体重变化）可以是 0。
SciKit-learn 提供了 类 称为 Imputers，它通过遵循用户定义的策略（即使用默认值、使用列的平均值...）来处理缺失值。如果你不想扭曲训练，我建议你使用统计数据而不是一些任意的默认值。
此外，您可以使用 MissingIndicator.
存储有关哪些值已被估算以及哪些值是有机值的信息
中的一些示例代码了解有关不同输入法的更多信息
解决此问题的一种方法：
用最后一个值（在本例中是测量的重量）填入 NaN
添加一个布尔变量"value available today"（已经按照问题中的描述完成）
再添加一个变量：（最后可用值/先前值）* "value available today".
警告：对产品建模对于线性回归算法来说可能有点困难。
我正在进行一个项目，根据许多变量对一个人的幸福感变化进行建模。
大多数解释变量是每天的（他们吃了多少食物、每天锻炼、睡眠等......）但其中一些是每周的 - 他们应该是每周的，并且对预测变量有影响每周一次。
例如，每周变量之一是一个人在每周的同一天称体重时的体重变化。
此数据每周仅提供一次，并影响当天的人的幸福度。
在那种情况下，有人可以告诉我如何在每周变量没有可用数据的日子里处理 python 中的缺失数据吗？
推断缺失日期的数据是错误的，因为在没有可用日期的那些每周变量中，人的幸福感根本不会受到影响。
我创建了一个虚拟对象，当每周数据可用时为 1，如果没有则为 0，但我不知道如何处理丢失的数据。我不能离开 NaN，否则 python 不会 运行 回归但我不能输入 0，因为有时数据可用当天的实际变量值（例如：体重变化）可以是 0。
SciKit-learn 提供了 类 称为 Imputers，它通过遵循用户定义的策略（即使用默认值、使用列的平均值...）来处理缺失值。如果你不想扭曲训练，我建议你使用统计数据而不是一些任意的默认值。
此外，您可以使用 MissingIndicator.
存储有关哪些值已被估算以及哪些值是有机值的信息 中的一些示例代码了解有关不同输入法的更多信息解决此问题的一种方法：
用最后一个值（在本例中是测量的重量）填入 NaN
添加一个布尔变量"value available today"（已经按照问题中的描述完成）
再添加一个变量：（最后可用值/先前值）* "value available today".
警告：对产品建模对于线性回归算法来说可能有点困难。