Machine Learning

Data Imputation - Boş Verileri Doldurma

Sevval İclal C.

2 min read

·

Nov 17, 2025

--

Share

• Makine öğrenmesinde boş veri ile başlayamayız. Ya silmeliyiz ya da doldurmalıyız.

Press enter or click to view image in full size

• Boş verileri doldurmanın yolları;
  1- Ortalama
  2- Orta değer
  3- En yakın komşularına bakarak
  4- Regression
  5- En çok tekrar eden değer
  6- Miceforest

İmport

# Veri işleme için pandas kütüphanesini içe aktar
import pandas as pd

# Eksik verileri basit stratejilerle doldurmak için SimpleImputer
from sklearn.impute import SimpleImputer

# KNN algoritması ile eksik verileri tahmin etmek için KNNImputer
from sklearn.impute import KNNImputer

# IterativeImputer kullanabilmek için gerekli deneysel modülü etkinleştir
from sklearn.experimental import enable_iterative_imputer

# Iteratif yöntemlerle eksik veri doldurmak için IterativeImputer
from sklearn.impute import IterativeImputer

# IterativeImputer içinde kullanmak için lineer regresyon modeli
from sklearn.linear_model import LinearRegression

# MICEForest kütüphanesini yükle (pip komutu)
pip install miceforest

# MICEForest kütüphanesini içe aktar, eksik veri tahmini için kullanılır
import miceforest as mf

Eda

# CSV dosyasını oku ve bir DataFrame oluştur
df = pd.read_csv('ExampleData.csv')

# DataFrame'in içeriğini görüntüle
df

# Her sütundaki eksik değer sayısını kontrol et
df.isnull().sum()

Ortalama

# Eksik verileri ortalama ile dolduracak SimpleImputer nesnesi oluştur
imp = SimpleImputer(strategy='mean')

# DataFrame'i fit edip eksik değerleri ortalama ile doldur
yenidata = imp.fit_transform(df)

# Sonuçları tekrar DataFrame olarak görüntüle
pd.DataFrame(yenidata)

En Yakın Komşu İle

# KNN algoritması ile eksik verileri dolduracak KNNImputer nesnesi oluştur
knn = KNNImputer()

# DataFrame'i fit edip eksik değerleri KNN tahmini ile doldur
dolu = knn.fit_transform(df)

# Sonuçları tekrar DataFrame olarak görüntüle
pd.DataFrame(dolu)

Regression

# Lineer regresyon modeli oluştur (IterativeImputer için)
lr = LinearRegression()

# IterativeImputer ile eksik verileri lineer regresyon tahminiyle doldur
imp = IterativeImputer(estimator=lr)

# DataFrame'i fit edip eksik değerleri iteratif yöntemle doldur
lrdata = imp.fit_transform(df)

# Sonuçları tekrar DataFrame olarak görüntüle
pd.DataFrame(lrdata)

Miceforest

# MICEForest kullanarak eksik veriler için imputasyon kernel'i oluştur
imp = mf.ImputationKernel(df)

# Eksik verileri tamamlanmış veri ile görüntüle
imp.complete_data

# Eksik değerleri soldaki (önceki) değer ile doldur
df.ffill(axis=1)  # forward fill

# Eksik değerleri sağdaki (sonraki) değer ile doldur
df.bfill(axis=1)  # back fill