こんな人におすすめ：
- データ分析初心者や研究者で欠損データの扱いに悩んでいる方
- 機械学習モデル構築時に欠損処理を効果的に行いたいエンジニア
- 統計解析やビジネスデータの品質向上を目指すデータサイエンティスト
プロンプト例：
「データの欠損処理に適した手法を、欠損率とパターンに応じて具体的に教えてください。またPythonでの実装例も簡単に示してください。」
プロンプト例の出力結果：
欠損処理は欠損率と欠損パターンに合わせて選択します。欠損率が5％未満なら、リストワイズ法（欠損行の削除）、または平均値・中央値での単純補完が有効です。欠損がランダム（MCAR）なら、単純補完に加え、K近傍法（KNN）や多変量補完も有効です。欠損が非ランダム（MAR、MNAR）の場合は、多重代入法や機械学習モデルを使った補完が推奨されます。PythonではPandasを使った平均値補完や、scikit-learnのKNNImputer、多重代入にはstatsmodelsやfancyimputeが利用可能です。
■ Pythonでの簡単な平均値補完例：
import pandas as pd
from sklearn.impute import KNNImputer
# データ読み込み
df = pd.read_csv('data.csv')
# 平均値補完
for col in df.select_dtypes(include=['float', 'int']).columns:
df[col].fillna(df[col].mean(), inplace=True)
# KNN補完
imputer = KNNImputer(n_neighbors=3)
df_imputed = pd.DataFrame(imputer.fit_transform(df), columns=df.columns)
このようにデータの欠損処理は、欠損の割合や原因、分析目的によって手法を使い分けることが精度向上の鍵となります。欠損の原因調査も重要で、システム改修による欠損抑制も検討しましょう。
