我很难弄清楚如何处理数据插补没有意义的NaN变量。我正在尝试进行文本/文档聚类，并且有一些缺失值需要保持缺失，因为没有合理的方法来填充它们。我的数据集包含一些数值，日期，文本等。实际上DannyDannyDanny的example在副标题下“当插补没有意义时考虑情感。”是我的问题的一个很好的例子。在矢量化之后，我需要执行PCA来降低维数，这样我就可以处理没有内存错误的大数据并减少计算时间。这就是问题开始的地方，因为scikit-learn的PCA算法都不能处理NaN（或者它们可以吗？）。使用sklearn.preprocessing.Imputer填充缺失值没有意义，因为;
- 所有这些都是数值或连续值。事实上，有一些有和没有日期的列！
- 其中一些必须保留为NaN，否则它们可能（或可能？）对群集产生不良影响。
而且我不能简单地删除列（或行），因为只有几个缺失值。太松散......我的问题是：
PS：抱歉我的英语不好
直觉上，如果你不能使用不同的方法来判断，或者它没有意义，那么你会丢弃那些行 - >但是请注意，你可能最终会得到不多的行，具体取决于你的数据。这仅适用于具有非常小的NaN百分比的其他良好数据集的情况。
另一种方法是丢弃具有非常高NaN的色谱柱，此时它们对模型无用。
您可以研究的最后一种方法是用极端的东西填充这些值，不在该列的范围内，像'-9999'这样的唯一标识符或您喜欢的东西。这将主要允许算法拾取异常值而不将其纳入模型。
希望这可以帮助！
没有。
PCA意味着基本上每个输出变量在某种程度上取决于每个输入变量。因此，在投影之后，整个矢量将变为NaN。直观地说，一个缺失的值（你不能把它归结为0）意味着有一些方向你可以随意移动你的观点。但是因为你仍然可以移动这一点，你不知道它在任何坐标中的位置 - 它可能在任何地方。
PCA对低维连续数据有意义。您对数据的描述听起来并不像PCA适合在此处使用。