Data Imputation

Creator

Creator

Seonglae Cho

Created

Created

2023 Oct 8 3:55

Editor

Editor

Seonglae Cho

Edited

Edited

2025 Sep 30 17:16

Refs

Refs

When there is data with many missing values, we can fill in the gaps by calculating replacement values using standard or representative data from other sources.

Missing Data Processing Methods

Remove

Replace

누락 데이터(Missing value)를 처리하는 7가지 방법 / Data Imputation

누락 데이터를 통계적으로 처리하는 유명한 방법들 실세계 데이터는 다양한 원인 때문에 누락 데이터를 포함하고 있다. 데이터에서 None, NaN, 빈칸으로 표시되는 것들이 누락 데이터이다. 이러한 누락된 값이 많은 데이터셋으로 머신러닝 모델을 학습시키면 모델의 품질에 큰 영향을 미친다. Scikit-learn Estimator 같은 일부 알고리즘은 모든 값이 의미 있는 값을 가지고 있다고 가정하기 때문이다. Missing value는 다음과 같은 3가지 타입이 있다. Missing completely at random (MCAR) Missing at random (MAR) Not missing at random (NMAR) 이 글에서는 cross-sectional 데이터셋의 missing value를 처리..

https://dining-developer.tistory.com/19

누락 데이터(Missing value)를 처리하는 7가지 방법 / Data Imputation

Dummy Data

Faker

Welcome to Faker’s documentation! — Faker 37.8.0 documentation

Faker is a Python package that generates fake data for you. Whether you need to bootstrap your database, create good-looking XML documents, fill-in your persistence to stress test it, or anonymize data taken from a production service, Faker is for you.

https://faker.readthedocs.io/en/master/

Backlinks

Recommendations

///