Вам нужна простая подготовка данных для модели логистической регрессии, и вы должны сохранить нулевые значения как вещественные (не удалять их). Какой подход следует использовать?

Для подготовки данных для модели логистической регрессии, где нулевые значения должны быть сохранены как вещественные, преобразование их в 0 является стандартной практикой. Cloud Dataprep — это управляемый сервис для визуального исследования, очистки и подготовки структурированных и неструктурированных данных. Он предоставляет интуитивно понятный интерфейс для обнаружения нулевых значений и их преобразования, что делает его идеальным инструментом для такой задачи. Преобразование нулевых значений в строку 'none' сделает их категориальными, что не подходит для сохранения как вещественных чисел в логистической регрессии. Использование Cloud Dataflow для обнаружения нулевых значений, а затем Dataprep для преобразования, является избыточным и неэффективным. Cloud Dataflow с пользовательским скриптом также может выполнить эту задачу, но Dataprep предлагает более простой и визуальный подход для данной конкретной задачи, особенно когда речь идет о "простой подготовке данных".