遺失值處理

處理資料中的遺失值（NA/NaN）。

背景

由於大部分的合成演算法都是基於機率模型，我們的研究發現，大多數演算法無法直接支援遺失值（None、np.nan、pd.NA）。即使某些演算法聲稱可以處理遺失值，也很難確認其各自的實作是否適當。

因此，PETsARD 建議主動處理任何包含遺失值的欄位：

數值欄位：預設使用平均值填補
類別/文字/日期欄位：預設使用直接刪除策略

使用範例

點擊下方按鈕在 Colab 中執行完整範例：

範例 1：欄位特定遺失值方法

---
Loader:
  load_benchmark_with_schema:
    filepath: benchmark://adult-income
    schema: benchmark://adult-income_schema

Preprocessor:
  missing-field-specific:
    sequence:
      - missing
    config:
      missing:
        workclass: 'missing_drop'     # 刪除有遺失值的資料列
        education: 'missing_drop'     # 刪除有遺失值的資料列
        occupation: None              # 跳過此欄位的遺失值處理
        age: 'missing_mean'           # 使用平均值填補

        # 注意：
        # - 設定為 None 的欄位：不會進行遺失值處理，保留原始的遺失值
        # - 未列出的欄位：會使用預設方法處理
        #   * 數值欄位（如 fnlwgt、capital-gain）：使用 missing_mean
        #   * 類別欄位：使用 missing_drop

Reporter:
  save_data:
    method: save_data
    source:
      - Preprocessor
  save_schema:
    method: save_schema
    source:
      - Loader
      - Preprocessor
...

範例 2：使用自訂值填補

---
Loader:
  load_benchmark_with_schema:
    filepath: benchmark://adult-income
    schema: benchmark://adult-income_schema

Preprocessor:
  missing-custom-value:
    sequence:
      - missing
    config:
      missing:
        age:
          method: 'missing_simple'
          value: -1.0                 # 使用 -1.0 填補 age 的遺失值
        hours-per-week:
          method: 'missing_simple'
          value: 0.0                  # 使用 0.0 填補 hours-per-week 的遺失值

Reporter:
  save_data:
    method: save_data
    source:
      - Preprocessor
  save_schema:
    method: save_schema
    source:
      - Loader
      - Preprocessor
...

可用處理器

處理器	描述	適用資料類型	參數
`missing_mean`	使用平均值填補	數值	無
`missing_median`	使用中位數填補	數值	無
`missing_mode`	使用眾數填補	類別、數值	無
`missing_simple`	使用指定值填補	數值	`value`（預設：0.0）
`missing_drop`	刪除有遺失值的資料列	所有類型	無

參數說明

missing_simple

value (float, 選填)
- 用於填補遺失值的自訂值
- 預設值：0.0
- 範例：value: -1.0

處理邏輯

1. 統計值填補（平均值/中位數/眾數）

訓練階段（fit）：
  計算並儲存統計值（平均值/中位數/眾數）

轉換階段（transform）：
  使用儲存的統計值填補 NA

逆轉換階段（inverse_transform）：
  根據原始資料的遺失比例隨機插入 NA

2. 自訂值填補（Simple）

訓練階段（fit）：
  記錄填補值

轉換階段（transform）：
  使用指定值填補 NA

逆轉換階段（inverse_transform）：
  根據原始資料的遺失比例隨機插入 NA

3. 刪除（Drop）

訓練階段（fit）：
  不需要訓練

轉換階段（transform）：
  刪除包含 NA 的資料列

逆轉換階段（inverse_transform）：
  根據原始資料的遺失比例隨機插入 NA

預設行為

不同資料類型的預設遺失值處理：

資料類型	預設處理器	描述
數值	`missing_mean`	使用平均值填補
類別	`missing_drop`	刪除有遺失值的資料列
日期時間	`missing_drop`	刪除有遺失值的資料列

Schema 變化

schema 中的 nullable 屬性反映了實際遺失值的存在狀況：

Loader 階段

自動從資料偵測：nullable = data.isnull().any()
若欄位有遺失值 → nullable: true
若欄位無遺失值 → nullable: false

Preprocessor 階段（有執行遺失值處理）

原本 nullable: true 的欄位 → 處理後 → nullable: false
原本 nullable: false 的欄位 → 維持 nullable: false

Schema 演進範例：

# Loader 輸出（資料有遺失值）
workclass:
  type: string
  nullable: true          # 原始資料有遺失值

age:
  type: int64
  nullable: false         # 原始資料無遺失值

# Preprocessor 輸出（經過 missing_drop 處理）
workclass:
  type: string
  nullable: false         # 遺失值已移除

age:
  type: int64
  nullable: false         # 不變（原本就沒有遺失值）

注意事項

處理順序：遺失值處理通常是第一步
眾數填補：如果有多個眾數，將隨機選擇一個
刪除影響：使用 missing_drop 可能會大幅減少資料量
還原機制：在後處理期間，會根據原始比例隨機插入 NA，但位置不會完全相同
統計值儲存：訓練期間計算的統計值會用於所有後續的轉換
NA 識別：自動識別 pandas NA 值（np.nan、None、pd.NA）
Schema 對齊：各階段（Loader、Preprocessor、Synthesizer、Postprocessor、Constrainer）都會根據其輸出 schema 對齊資料

離群值處理