本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
# FillMissingValues 類別
`FillMissingValues` 類別會在指定的 `DynamicFrame` 中找到 null 值和空字串，並使用機器學習方法 (例如線性迴歸和隨機樹系) 來預測缺少的值。ETL 任務會使用輸入資料集中的值來訓練機器學習模型，然後預測缺少的值應該是什麼。
**提示**
如果您使用增量資料集，則每個增量集都會用作機器學習模型的訓練資料，因此結果可能不準確。
若要匯入：
```
from awsglueml.transforms import FillMissingValues
```
## 方法
+ [套用](#aws-glue-api-crawler-pyspark-transforms-fillmissingvalues-apply)
## apply(frame, missing\$1values\$1column, output\$1column ="", transformation\$1ctx ="", info ="", stageThreshold = 0, totalThreshold = 0)
在指定的欄中填入動態框架的缺少值，並在新的欄中傳回具有估計值的新框架。對於沒有缺少值的列，指定欄的值將被複製到新欄。
+ `frame` – 在其中填入缺少值的 `DynamicFrame`。必要。
+ `missing_values_column` – 包含缺少值的欄 (`null` 值和空字串)。必要.
+ `output_column` – 新欄的名稱，該欄將包含所有缺少值的列的估計值。選擇性；預設值為 `missing_values_column` 的名稱，字尾為 `"_filled"`。
+ `transformation_ctx` – 用於識別狀態資訊的唯一字串 (選用)。
+ `info` – 與轉換中的錯誤相關的字串 (選用)。
+ `stageThreshold` – 在錯誤輸出之前，轉換作業中可發生錯誤的次數上限 (選用；預設值為零)。
+ `totalThreshold` – 在處理錯誤輸出之前，整體作業可發生錯誤的次數上限 (選用；預設值為零)。
傳回具有一個額外欄的新 `DynamicFrame`，其中包含缺少值的列估計和其他列的目前值。