La clase SimpleImputer está diseñada para manejar datos faltantes reemplazando automáticamente los valores ausentes.

from sklearn.impute import SimpleImputer
imputer = SimpleImputer()

Al inicializarse, también puede personalizarse configurando sus parámetros:

• missing_value: especifica el marcador de los valores faltantes. Por defecto, es np.nan;
• strategy: la estrategia utilizada para imputar los valores faltantes. 'mean' es el valor predeterminado;
• fill_value: especifica el valor que se utilizará para rellenar los valores faltantes cuando la strategy es 'constant'. Por defecto, es None.

Como transformador, dispone de los siguientes métodos:

También es necesario decidir qué valores utilizar para la imputación.

Un enfoque común es reemplazar los valores numéricos faltantes con la media y los valores categóricos faltantes con la moda (valor más frecuente), ya que esto distorsiona mínimamente la distribución de los datos.

La elección se controla mediante el parámetro strategy:

• strategy='mean': imputa con la media de cada columna;
• strategy='median': imputa con la mediana de cada columna;
• strategy='most_frequent': imputa con la moda de cada columna;
• strategy='constant': imputa con un valor constante especificado en el parámetro fill_value.

El parámetro missing_values define qué valores se tratan como faltantes. Por defecto, es NaN, pero en algunos conjuntos de datos puede ser una cadena vacía '' u otro marcador.

Cuando se aplica el método .fit_transform() de SimpleImputer, este devuelve un array 2D. Asignar valores a una sola columna en un DataFrame de pandas requiere un array 1D (o Series).

df['column'] = ...  # Requires 1D array or Series
imputer.fit_transform(df[['column']])  # Produces 2D array

El método .ravel() puede utilizarse para aplanar el array a 1D antes de la asignación:

df['column'] = imputer.fit_transform(df[['column']]).ravel()

Esto asegura que los valores imputados estén correctamente formateados y almacenados en la columna del DataFrame.

¡Excelente! Hemos resuelto el problema de los valores faltantes en nuestro conjunto de datos. Eliminamos las filas con más de un valor nulo e imputamos la columna 'sex' con el valor más frecuente – MALE.