Você precisa de preparação de dados casual para um modelo de regressão logística e deve manter os nulos como valores reais (não removidos). Qual abordagem você deve usar?

A resposta correta é usar o Cloud Dataprep para detectar nulos e convertê-los para 0. O Cloud Dataprep é uma ferramenta visual e sem código, ideal para preparação de dados casual, como a detecção e tratamento de valores nulos. A conversão de nulos para 0 é uma estratégia comum em modelos de regressão logística quando se deseja manter os nulos como valores reais, pois o modelo pode interpretá-los como a ausência de um atributo, o que pode ser significativo. As outras opções são menos adequadas: Converter nulos para a string 'none' não é apropriado para um modelo de regressão logística, que geralmente espera dados numéricos. Usar o Cloud Dataflow para detectar nulos e depois o Dataprep para converter é ineficiente, pois o Dataprep pode fazer ambas as coisas. Usar o Cloud Dataflow com um script personalizado para converter nulos para 0 é uma abordagem válida, mas é mais complexa e demorada do que usar o Dataprep para uma tarefa de preparação de dados casual. O Dataflow é mais adequado para transformações complexas e em larga escala.