statistics - 将已知值外推到表中缺失值的最佳数据挖掘模型是哪个？（一般问题）

我正在从事一个小型数据挖掘项目（我仍然是数据科学专业的学生，而不是专业人士）。也许您可以帮助我为我的任务选择合适的模型。

因此，假设我们有一个包含三列和大约 4000 行的表：

任何字段的任何值都可以在数据集中重复（也可以是年份值）。

在前两列中，我们没有缺失值，但在第三列中我们只有大约 20% 的 Name 值。名称值在某种程度上取决于前两列（不是因果关系）。

我的目标是将可用的名称值外推到整个表，并为每个名称值获取一系列出现（例如在箱线图中）

我想象过这样的过程，虽然我不太确定它在统计上是否有意义（感谢任何反对和建议）：

对于每个未知的 NAME 值，算法随机选择一个已知的 NAME 值。选择特定名称值的几率取决于变量 YEAR 和 COLOR。例如，如果“大卫”的值往往与较低的年份值相关，并且与颜色的“绿色”或“紫色”值相关，那么如果年份和颜色的输入值为“ 1900 年，紫色”。
当上述过程结束时，计算每个名称的出现次数。
上述过程应用了 30 次，每个名称的结果都显示在 plotbox 中。

但是，我不知道哪个是实现类似想法的最佳模型。我用一张简单的油漆画出了这个过程：

您认为哪种方法可能是完成这项任务的好方法？我很感激任何帮助。

标签： statisticsdata-sciencedata-analysisdata-miningexploratory-data-analysis

我认为您已经完成了流程，它正在转换可能是第一个障碍的数据。

我会考虑使用from sklearn.preprocessing import OrdinalEncoder对数据进行编码以从分类转换为数字。

然后，您可以使用随机数生成器在编码定义的范围内生成一个数字，该编码将随机选择一个名称。

用 f 循环循环这 30 次以获得结果。

看起来您还需要在构建代码之前提供年份和颜色的排名值。从这里您只需在 for 循环中提供带，例如，if year > 1985等来指定名称。