1. RandomForestRegression
所有的参数，属性与接口，全部和随机森林分类器一致。仅有的不同就是回归树与分类树的不同，不纯度的指标，参数Criterion不一致(回归是MSE，分类树是accuracy)
重要参数和接口
参数：criterion
回归树衡量分枝质量的指标：均方误差mean squared error(MSE）。。在回归树中，MSE不只是我们的分枝质量衡量指标，也是我们最常用的衡量回归树回归质量的指标。均方误差作为我们的评估指标（在分类树中这个指标是score代表的预测准确率）。虽然均方误差永远为正，但是sklearn当中使用均方误差作为评判标准时，却是计算”负均方误差“（neg_mean_squared_error）。示。真正的均方误差MSE的数值，其实就是neg_mean_squared_error去掉负号的数字。
重要属性和接口
重要属性和接口随机森林的分类器相一致。因为对于回归来说，并不存在一个样本要被分到某个类别的概率问题，因此没有predict_proba这个接口。
2 用随机森林回归填补缺失值
使用sklearn.impute.SimpleImputer来将均值，中值，或者其他最常用的数值填补到数据中。这个案例中，我们将使用均值，0，和随机森林回归来填补缺
失值，并验证四种状况下的拟合状况，找出对使用的数据集来说最佳的缺失值填补方法。
1. 导入包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import load_boston
from sklearn.impute import SimpleImputer #impute模块中的SimpleImputer用来填补缺失值
from sklearn.ensemble import RandomForestRegressor
2. 以波士顿数据集为例，导入完整的数据集并探索
dataset = load_boston() #标签是连续性变量
dataset.data.shape
#总共506*13=6578个数据
#(506, 13)
X_full, y_full = dataset.data, dataset.target #没有缺失值
n_samples = X_full.shape[0] #样本数量506
n_features = X_full.shape[1] #特征数量13
3. 为完整数据集放入缺失值
#首先确定我们希望放入的缺失数据的比例，在这里我们假设是50%，那总共就要有3289个数据缺失
rng = np.random.RandomState(0) #确认一种随机模式，后面需要随机都用rng代替
missing_rate = 0.5
n_missing_samples = int(np.floor(n_samples * n_features * missing_rate))
#np.floor向下取整，返回.0格式的浮点数
#所有数据要随机遍布在数据集的各行各列当中，而一个缺失的数据会需要一个行索引和一个列索引
#如果能够创造一个数组，包含3289个分布在0~506中间的行索引，和3289个分布在0~13之间的列索引，那我们就可
#以利用索引来为数据中的任意3289个位置赋空值
#然后我们用0，均值和随机森林来填写这些缺失值，然后查看回归的结果如何
missing_features = rng.randint(0,n_features,n_missing_samples) #在rng的随机模式下，在0-13之间取出3289个整数
#randint(下限，上限，n) 在下限和上限之间取出n个整数
missing_samples = rng.randint(0,n_samples,n_missing_samples)
missing_features #是array的一维数组
#array([12, 5, 0, ..., 11, 0, 2])
missing_samples
X_missing = X_full.copy() #copy就是复制下
y_missing = y_full.copy() #标签不能空，要不然就是无监督学习了
X_missing[missing_samples,missing_features] = np.nan #将数据中3289个位置用空值代替
X_missing = pd.DataFrame(X_missing)
#转换成DataFrame是为了后续方便各种操作，numpy对矩阵的运算速度快到拯救人生，但是在索引等功能上却不如pandas来得好用
4. 使用0和均值填补缺失值
#使用均值进行填补
from sklearn.impute import SimpleImputer #SimpleImputer也是一个类，所以先实例化
imp_mean = SimpleImputer(missing_values=np.nan, strategy='mean') #实例化， missing_values缺失值是nan，strategy用mean填补
X_missing_mean = imp_mean.fit_transform(X_missing) #训练fit+导出predict >>> 特殊接口 fit_transform
#fit_transform就是将X_missing代入实例化的模型训练，然后再导出
#观察是否还存在缺失值
pd.DataFrame(X_missing_mean).isnull().sum() #isnull返回是否布尔值，在对布尔值进行加和。布尔值False =0,True=1
#使用0进行填补
imp_0 = SimpleImputer(missing_values=np.nan, strategy="constant",fill_value=0) #constant用常数0填补
X_missing_0 = imp_0.fit_transform(X_missing)
pd.DataFrame(X_missing_0).isnull().sum()
5. 使用随机森林填补缺失值
使用随机森林回归填补缺失值思想
任何回归都是从特征矩阵中学习，然后求解连续型标签y的过程，可以认为特征矩阵和标签之前存在着某种联系。实际上，标签和特征是可以相互转换的而回归填补缺失值，正是利用了这种思想。对于一个有n个特征的数据来说，其中特征T有缺失值，我们就把特征T当作标签，其他的n-1个特征和原本的标签组成新的特征矩阵。那对于T来说，它没有缺失的部分，就是我们的Y_test，这部分数据既有标签也有特征，而它缺失的部分，只有特征没有标签，就是我们需要预测的部分。
特征T不缺失的值对应的其他n-1个特征 + 本来的标签：X_train
特征T不缺失的值：Y_train
特征T缺失的值对应的其他n-1个特征 + 本来的标签：X_test
特征T缺失的值：未知，我们需要预测的Y_test这种做法，对于某一个特征大量缺失，其他特征却很完整的情况，非常适用。那如果数据中除了特征T之外，其他特征也有缺失值怎么办？
答案是遍历所有的特征，从缺失最少的开始进行填补（因为填补缺失最少的特征所需要的准确信息最少）。
填补一个特征时，先将其他特征的缺失值用0代替，每完成一次回归预测，就将预测值放到原本的特征矩阵中，再继续填补下一个特征。每一次填补完毕，有缺失值的特征会减少一个，所以每次循环后，需要用0来填补的特征就越来越少。当进行到最后一个特征时（这个特征应该是所有特征中缺失值最多的），已经没有任何的其他特征需要用0来进行填补了，而我们已经使用回归为其他特征填补了大量有效信息，可以用来填补缺失最多的特征。遍历所有的特征后，数据就完整，不再有缺失值了。
X_missing_reg = X_missing.copy()
#找出数据集中，缺失值从小到大排列的特征们的顺序，并且有了索引
#np.argsort返回的是从小到大排序的顺序所对应的索引
#.values将对应的索引取出来，变成一维的数组
sortindex = np.argsort(X_missing_reg.isnull().sum(axis=0)).values #axis=0按列进行加和
sortindex
#array([ 6, 12, 8, 7, 9, 0, 2, 1, 5, 4, 3, 10, 11], dtype=int64)
for i in sortindex:
#构建我们的新特征矩阵（没有被选中去填充的特征+原始的标签）和新标签（被选中的去填充的特征）
df = X_missing_reg #防止刚开始就把没有选中的特征的nan全部用0填充了
fillc = df.iloc[:,i] #新标签，通过切片将选中的特征提取出来
#新特征矩阵
#df.iloc[:,df.columns != 6] #取出了没有6列的数据
#y_full之前得到的是array,所以先转为dataframe,然后用pd.concat连起来
df = pd.concat([df.iloc[:,df.columns != i],pd.DataFrame(y_full)],axis=1) #axis=1用行进行操作，连在最右边
#在新特征矩阵中，对含有缺失值的列，进行0的填补
#实例化和接口同时进行，对其补上0
df_0 =SimpleImputer(missing_values=np.nan,strategy='constant',fill_value=0).fit_transform(df)
#找出训练集和测试集
#Y_train是被选中的特征中（现在是标签）存在的那些值，非空值
Ytrain = fillc[fillc.notnull()]
#被选中的要填充的特征中不存在的那些值，是空值，虽然Ytest全部是空值，但是我们需要它的索引
Ytest = fillc[fillc.isnull()]
#在新特征矩阵上，被选出来的要填充的特征的非空值所对应的记录
Xtrain = df_0[Ytrain.index,:] #就是以Ytrain的所有索引为行的列全部提取出来
#新特征矩阵上，被选出来的要填充的特征的空值所对应的索引
Xtest = df_0[Ytest.index,:]
#用随机森林回归来填补缺失值
rfc = RandomForestRegressor(n_estimators=100) #实例化
rfc = rfc.fit(Xtrain, Ytrain) #导入训练集训练
Ypredict = rfc.predict(Xtest) #用predict接口导入Xtest，得到预测结果（回归结果），就是要用来填补空值的这些值
#将填补好的特征返回到我们的原始的特征矩阵中
#loc是取出行，X_missing_reg.iloc[:,i].isnull()得到空值的索引，然后取出loc取出第6列这些索引行的值
#X_missing_reg.loc[X_missing_reg.iloc[:,6].isnull(),6] #就是将nan全部取出来
X_missing_reg.loc[X_missing_reg.iloc[:,i].isnull(),i] = Ypredict
6. 对填补好的数据进行建模
#对所有数据进行建模，取得MSE结果
from sklearn.model_selection import cross_val_score
X = [X_full,X_missing_mean,X_missing_0,X_missing_reg]
mse = [] #mse越小越好
std = []
for x in X:
estimator = RandomForestRegressor(random_state=0, n_estimators=100) #实例化
scores = cross_val_score(estimator,x,y_full,scoring='neg_mean_squared_error',cv=5).mean() #交叉验证
mse.append(scores * -1) #*-1得到MSE
[*zip(["X_full","X_missing_mean","X_missing_0","X_missing_reg"],mse)] #用*zip将数据和mse值连接起来
7. 用所得结果画出条形图
x_labels = ['Full data',
'Zero Imputation',
'Mean Imputation',
'Regressor Imputation']
colors = ['r', 'g', 'b', 'orange']
plt.figure(figsize=(12, 6)) #画出画布
ax = plt.subplot(111) #添加子图：111是第一行第一列第一个表
for i in np.arange(len(mse)): #其实就是range(len(mse))
ax.barh(i, mse[i],color=colors[i], alpha=0.6, align='center') #barh：h就是将柱状图横过来，align将条放在中间
ax.set_title('Imputation Techniques with Boston Data')
ax.set_xlim(left=np.min(mse) * 0.9,
right=np.max(mse) * 1.1) #set_xlim：x的区间
ax.set_yticks(np.arange(len(mse))) #set_yticks ：y的刻度
ax.set_xlabel('MSE')
ax.set_yticklabels(x_labels) #y轴的命名用x_labels里面的进行命名
plt.show()
参考菜菜的sklearn
