Je hebt informele gegevensvoorbereiding nodig voor een logistisch regressiemodel en moet null-waarden als reële waarden behouden (niet verwijderd). Welke aanpak moet je gebruiken?

De correcte aanpak is het gebruik van Cloud Dataprep om null-waarden te detecteren en deze vervolgens allemaal naar 0 te converteren. Logistieke regressiemodellen vereisen numerieke invoer. Door null-waarden te vervangen door 0, behoud je de rijen met ontbrekende gegevens en transformeer je de null-waarden naar een numerieke representatie die het model kan verwerken, wat vaak een geschikte standaardwaarde is voor ontbrekende numerieke gegevens. Cloud Dataprep is een visuele tool voor gegevensvoorbereiding die dit soort transformaties eenvoudig maakt. Het converteren van null-waarden naar de string 'none' is onjuist omdat logistieke regressiemodellen geen stringwaarden accepteren als directe invoer; deze zouden eerst moeten worden gecodeerd. Het gebruik van Cloud Dataflow voor detectie en vervolgens Dataprep voor conversie is inefficiënt en onnodig complex; Dataprep kan beide stappen zelfstandig uitvoeren. Het gebruik van Cloud Dataflow met een aangepast script is mogelijk, maar voor informele gegevensvoorbereiding en eenvoudige transformaties is Dataprep een snellere en meer gebruiksvriendelijke oplossing.