啊,今天来讲一下那个赛克兰的一个简介啊,他是做机器学习里面,他里面有一些机器学习里面基础的一些算法,咱们先来打开他的网站来看一下, 好,他的官网就这个啊, secular, 它里面包含几种常用的方法啊?第一个叫做 classification, 就是去分类属于哪一类啊?然后第二个是 regression, 是一个这个回归,嗯,做一些预测啊之类的,叫做 predicting continuous value, tribute associated with an object 啊,作为预测相关,第一个 classification 呢?还是 at inifi, which catch quee, an object belongs to 属于哪一类啊? 然后第三个,呃,是 clustering, 这个叫做 automatic grouping of sim similar objects into sets, 就是分为哪些小的类别。然后还有一个呢,就是 dimensionality reduction, 叫做 reducing the number of random variables to consider, 就是去降维啊,降维,降低他的维度啊啊,还有其他的一些方法,最常用的就是 四种方法,咱们来挨着看一下哈,其实你拿到数据之后呢,我首先呢我就要学, 需要知道用什么,用哪一种方法是最合适的,他给出了一个什么呢?给出了一个这个,这是从官网上 找到的啊,他说叫做 choosing the right estimator, 就是选择一种对的方式,选择一种对的方式才是更合适。这四种基本的方法呢啊,它是一些 比较老的一些方法啊,但是呢,他现在呢,随着这种网络的提升,嗯,他现在用在这个机器学习里面是非常合适的。 然后我看到有人评论哈,他说这这些方法呢,就是 classification, regression, 还有 classroom 这些方法他是机器学习的。呃 果然的发的果然的发的就是说比较老的方法就延伸过来的哈。好,咱们从这个图上咱们来分析一下啊,他说这个 secure line, argue them, cheat sheets 就做这种的小抄。一种捷径啊,先开始要 start 那个地方开始 开始。如果你的这个数据呢啊是大于五十个,如果是你的这个啊 super 样本大于五十个往下走如果小于五十个呢 啊我需要获得更多的数据。好往下走之后呢啊他就去叫做 predicting a category, 你能够进行分类吗?啊如果能进行分类啊,接着往下走,咱沿着这个路径 先来走一走啊,然后再往下走。你说 label, the deeds 你的这些数据有标签吗?啊就说,呃 这个图片是一个狗,那个图片是一个猫啊,我已经有过标记了啊这个狗呢它属于。呃这个啊哺乳动物啊,这个猫呢啊也属于,比如鸟呢属于这个鸟。鸟科是不是有这种标签啊?如果 有,好,我就可以去做 classification 去做一些 具体的分类啊。如果这个样本大于一百个啊大于一百个之后呢啊可以往下走,做这个 liner 的 svc, 然后呢再接着往下走。嗯再接着往下走,如果小鱼呢咱们就再走这条路去。 好,你再接着往下捋哈,如果你这个没有啊,勒不到对头啊,假设没有标签我我只知道一堆图片你给我了啊,我不知道呃 哪些是?嗯哺乳动物哪些不是哺乳动物啊,这应该怎么办呢?哎可以去进行这个做 classroom 进行聚类,聚成一小类,比如鸟类啊,根据他的一些特点聚成了一类,比如这个这个哺乳动物的啊,猫啊,狗啊啊这种猪啊,他聚成一类。 好,然后我再往下走,咱们再走这个这个表情啊, 嗯,从分类的这个地方往下走,如果这个数据呢?叫做 predicting quantity 去预测一个数据。如果虽然 他这个分类完这个分类完这个数据之后呢?啊可以去预测一个数据, 没有标签没有关系,但是他可以去预测一堆数据里面去预测一个数,我就走这个瑞格外室只做回归分析, 如果这个,呃,如果他是就这个小于一百的啊,如果他是如果他去小于一百,咱们去做一下回归分析啊,如果这个呢?啊? 他小于一百,小于一百之后呢?他有很少的特征啊,他没有在走这种方法,嗯,如果这个呢?他是 他没有,他不能预测一个数,不是做一个数的预测。咱们再往下走啊,咱们来看一看呢。 看看什么呢啊?这个预测的这个结构啊,如果是的话可以走到这个地方啊。如,如果,如果如果是的话,他是,哎,咱们走这个 random max 的 pcv 啊,然后再往下走,咱们就做什么呢?做一种降维,哎,做一种降维分析,如果不是呢,那咱们再去预测一下它的结构啊。好,这个就是做 c q 烂的几种方式啊,我选择呢?我根据我数据的特点来选择使用哪一种方法,有了它之后咱们再去做数,数的时候做数据处理的时候, 嗯,就会有依据可循哈。
粉丝1528获赞3.4万

本文通过实力展示 seek it learn 在机器学习项目中的关键作用。 seek it learn 是拍放中最受欢迎的机器学习库之一,他为数据科学家和工程师提供了丰富的工具和算法,使得构建、训练和评估各种机器学习模型变得简单高效。在实际的机器学习项目中, secate learn 扮演了至关重要的角色,其强大的功能和应用性使其成为入门者和专业人士的首选。 secate learn 库的组成部分包括基础工具,如数据预处理、特征工程模型选择和评估,以及高级功能,如集成学习、 深度学习接口和模型优化。首先,他提供了一系列数据与处理工具,如缺失值处理、标准化、皈依化等,确保数据的质量和一致性, 这对于模型的准确性和稳定性至关重要。接着, secular 内置了多种监督和无监督学习算法,如线性回归决策术、随机森林、支持向量机和 kmins 剧类,覆盖了从简单到复杂的模型类型, 使得用户可以根据问题特性灵活选择。在模型选择过程中, she could learn, the great search cv 和 randomized search cv 功能可以帮助用户自动化超参数调优,显著提升模型性能。 同时,他还支持模型集成,如 bagging, boosting 和 stacking, 通过结合多个模型的预测结果,有效降低过你和风险,并提高泛化能力。对于深度学习爱好者,虽然 secret learn 并非专为深度学习设计, 但他与 tense of flow carries 等深度学习库的集成使得在必要时可以无缝切换,实现深度学习模型的训练和应用。此外, seek learn 的评估工具如交叉验证、 rock 曲线和混淆矩阵, 为模型的性能评估提供了标准化的方法,帮助用户了解模型在未知数据上的表现。他的文档详尽且易于理解,使得无论是初学者还是高级用户都能快速上手, 并且社区活跃,不断有新的研究成果和改进更新。总结来说, secate learn 凭借其全面的功能、应用的 api 和高度的灵活性,成为了拍放机器学习项目的基石。无论是在数据预处理、模型构建、调优还是评估阶段, 他都扮演着不可或缺的角色,极大地提高了数据科学项目的效率和成果质量。效的性能成为机器学习项目中的得力助手。 吉大地推动了开放在数据科学领域的广泛应用和发展,无论是在学术研究还是工业实践中,他都是实现机器学习目标的强大工具。

本文解析 seek learn 酷进行分类、剧类和回归等高级机器学习任务,深入探索拍葬机器学习的世界。 seek learn 无疑是其中的一颗璀璨明珠。作为开元库中的佼佼者,他以其简洁易用的接口和强大的功能 为数据科学家提供了丰富的工具箱。本书将带你走进 sick learn 的深度世界,从基础概念到高级应用,全面剖析其在分类、 剧类和回归等核心任务中的实战策略。首先,我们将从理解 seek learn 的基本框架开始,介绍其主要组成部分,包括预处理模块,如特征缩放和编码、 模型选择与评估工具,以及各种机器学习算法的实现。通过实力演示,你将 学会如何构建一个完整的机器学习工作流程,从数据加载到模型训练和优化。在分类任务部分,我们将详细讲解逻辑回归、决策术、随机森林和支持向量机等经典算法的原理与实现。同时还会探讨集成学习方法, 如 bagging 和 boosting, 以及深度学习的入门应用,如神经网络的搭建与调餐。你会掌握如何根据实际问题选择合适的模型,并通过交叉验证和网格搜索优化模型性能。 接着,我们会转向剧类分析,介绍 k means、 层次剧类和 discan 等算法,以及如何利用 seek learn 进行非监督学习,洞察数据的内在结构。此外,我们还将涉及降为技术, 如 pca 和 tcne, 帮助你在高维数据中发现潜在模式。回归任务是预测模型的核心,我们会深入研究线性回归、领回归和 nice 回归,以及更复杂的回归模型,如神经网络回归。 通过实力,你将学会如何解决回归问题中的过拟核和嵌拟核问题,以及如何进行时间序列预测。最后,我们会探讨 seek learn 在实际项目中的应用,包括实时预测、模型部署和生产环境中的挑战。通过案例分析, 你将了解到 second learn 如何与其他 python 酷如 pandas numpy 和 mat platly 无缝协作,以及如何应对大数据和云计算环境下的机器学习挑战。总之, python 机器学习 second learn 深度应 应用只在帮助你熟练掌握 seek learn 的强大功能。无论你是初学者还是经验丰富的数据工程师,都能再次找到提升技能的新视角和实践技巧。让我们一起踏上这场机器学习的探索之旅,挖掘数据背后的故事吧!

三科特练,继续学习编程,练习一百例第六集,对于数据中有空值,咱们有时候不会填充,直接进行过滤来处理本次的问题。咱们有两列数值列,维特有两个空值, 我的题目是这样的,第一步,过滤掉微头空置的行。第二步,筛选出数字类型的列,那其实就只有这两列。第三步,计算这一列的均值,这三步咱们来看一下该怎么实现。打开揪袋,为了演示,我把这字典呢就给还原了, 使用字典勾走了 tf fm, 看一下这个 df, 咱们看到 price v 的这两列呢,现在就有原来的空值了。 咱们的问题,第一个条件要筛选出为他不为控的那些行,咱们可以这样进行, df 中号可以 传一个 siris, 点 sno, 这里面会返回空着的行,咱们要取返,所以说加个波浪符就会取返,那么这一句就会筛选出为的不为空的那些行,咱们来看一下, ok, 为的呢,现在都有值了。 咱们第二步是需要表演出里面的数字列,大家记住一个方法, 点 select d taps tag, 参数 include, 等于列表传入 float。 咱们运行一下,大家看到只筛选出了数字这两列,然后要计算均值,那简单了点,命就 黑了,默认情况下他就会返回这两列,每一列的军指咱们就实现了目标。 对于控制的数据,咱们筛选出没有控制的行,然后按类型筛选出数值列,对数值列咱们可以进行统计,比如说求均值,我们下次见,拜拜。

今天我们要聊的呢,是如何使用 secret learn 这个工具来构建一个糖尿病的预测模型。 其实这个就是从数据的准备,然后到模型的训练,再到模型的评估这一个完整的过程。没错,那我们就直接开始吧,深入探讨一下这个机器学习项目的每一个细节。我们先来明确一下今天这个实验的任务目标。 好,就是说我们到底要做什么事情,然后会用到哪些技术?是这样的,我们的目标是要建立一个二分类的预测模型,那这个模型呢,是通过患者的一些体检信息,比如说它的年龄、性别、血压、体重这些指标,来判断它是否有糖尿病的风险。 整个的这个流程我们会使用 skitlearn 来实现,从数据的预处理,一直到模型的训练和评估。 ok, 那 我们这个实验要用到哪些 python 的 库?然后这些库分别在我们的这个机器学习的流程里面起到什么作用?我们首先要用到的就是 get to learn, 这个是我们的核心的库。然后另外就是 numpad, 它会帮我们高效地处理多维数组合,进行一些数学运算。 pandas 呢,是用来数据的加载和清洗以及结构化操作的。对,然后这两个是格式化的库,一个是 metal plus lip, 还有一个是 c bond, 它们可以帮我们做一些数据分布的格式化,包括我们模型结果的格式化。明白了,那在数据的准备和模型的训练这个阶段还需要哪些工具呢? uh train test split, 这个是用来把我们的数据级随机地分成训练级和测试级的 standard scaler 是 用来对我们的特征进行标准化的, 然后 logistic regression 就是 我们要用到的逻辑回归的分类器。最后在评估阶段,我们会用到 accuracy score, confusion metrics 和 classification report, 这几个都是用来评估我们模型表现的。 好,我们来看看怎么加载这个数据集,然后怎么对这个数据集做一个初步的观察。我们这次用的还是 pima 印第安人糖尿病数据集,然后我们会用 pandas read csv 这个函数把数据读进来,读进来之后它是一个 data frame 的 格式。 呃,我们可以用 head 这个方法看一下它的前五行,这样的话我们就可以看到它有哪些特征,比如说 pregnancies, glucose, blood pressure 等等这些。然后最后一列是 outcome, 就是 我们的标签,表示这个人有没有糖尿病,哎, 这个数据里面有没有缺失值啊?或者说这个数据有什么特别的地方?通过 df 点 info, 我 们可以看到它每一列有多少个非空的值,以及它是什么类型,然后发现它是一个没有缺失值的数据集,它总共有七百六十八个样本, 九个特征。嗯,那其中有两列是 float 类型的,有七列是 integer 类型的,整个数据集的大小是五十四点一个 kb。 哦, 那我们继续来看看数据分析和可适化,就是我们在开始建模之前,一般会对数据做一些什么样的探索性的分析,然后这些分析能够给我们带来什么样的 关于数据的结构和质量的一些信息呢?我们可以用 df 点 describe 这个方法对它进行一个描述性的统计,这样的话我们就可以看到每一列的数据的 count, mean, standard, deviation, minimum, maximum 以及三个分位数。 嗯,那通过这个我们就可以大致的了解数据的分布情况,然后再用 is null sum 看一下每一列的缺失值的情况,那这时候我们发现这个数据集它是非常干净的,它没有任何的缺失值。我想知道怎么通过可量化的手段来看一下这个特征之间的关系, 然后包括这个目标变量的分布。首先我们可以用 cybourne pair plot 这个函数把所有的特征两两之间的关系都画出来,然后我们可以用不同的颜色把 outcome 为零的和唯一的区分开,这样的话我们就可以直观地看到哪些特征可能是对分类有用的。 然后我们也可以用 count plot 来看一下这个患有糖尿病的样本和没有患有糖尿病的样本的数量的分布。那这里我们可以看到其实没有糖尿病的人是比有糖尿病的人要多的。对,那这个也符合我们的医学常识,就是这个病在人群当中本身就是一个低发的病。数据与处理和特征选择 在这一步,如果我们的数据有缺失值,一般会用什么样的策略来进行填补?如果有缺失值的话,我们通常会用这一列的均值中位数或者是其他的一些统计量来进行填补。比如说我们这里就可以用 d f dot f null, d f dot mean in place equals true 这行代码来用每一列的均值来进行填补。 那我们为什么要对特征进行标准化?因为不同的特征它可能曲值的范围差别很大,那标准化就是把它们都转化成均值为零,方差为一的这样的一个分布,这样的话可以让我们的模型在训练的时候收敛的更快,并且效果更好。嗯,那我们一般会用 standard scaler 这个类来做。 对,然后我们会得到一个新的特征矩阵 x scaled。 ok, 那 怎么把数据集合理地分成训练级和测试级?我们一般会用 train test split 这个函数,然后我们可以通过 test size 这个参数来指定。比如说我们这里是零点二,那就是百分之二十的数据会作为测试级,然后剩下的百分之八十就是训练级。 嗯,然后我们一般会设置一个 random state, 这样的话每次运行代码得到的划分都是一样的。对,可以保证我们实验的可重复性。行,那我们来谈谈怎么构建并训练这个预测模型。对,就这个逻辑回归模型在这个二分类的问题里面是怎么用的? 在我们这个例子里面的话,我们就直接从 script learn 里面导入 logistic regression 这个类,然后我们创建一个使例。呃,接着我们只需要调用它的 fit 方法,把我们的训练数据 x train 和 y train 放进去,它就会自动帮我们训练好一个模型。好的, 然后我们来说说模型的结果分析。对,那我们怎么去衡量这个模型它在这个测试级上面的表现呢?我们可以用这个模型对我们的测试数据 x test 进行预测,然后我们得到一个预测值 ytrd, 那 我们可以把这个 ytrd 和我们真实的标签 ytest 去做一个比较。比如说我们可以用 accuracy score 这个函数来算一下它的准确率, 然后我们这里的话准确率是零点七五。除了准确率之外,还有没有什么其他的方式可以更细致地去分析这个模型的预测结果呢?当然有啦,比如说我们可以用混淆矩阵,嗯,我们可以用 confusion matrix 这个函数,然后把我们的真实值和预测值传进去,它就会输出一个矩阵, 然后我们可以用 cybourne 的 heat map 把它画出来,这样的话我们就可以很清楚地看到这个模型对于正例和负例的预测情况, 对,它是哪些地方预测对了,哪些地方预测错了。明白了,那还有没有什么其他的评估的方式呢?我们还可以用 classification report 这个函数,它会输出每一类的 precision recall every score, 然后包括我们的 macro average 和 weighted average, 它都会帮我们算好。 这样的话我们就可以从多个角度来衡量这个模型的好坏。好的,那我们再来讲讲模型的优化和改进,就是我们怎么用交叉验证和网格搜索来找到这个模型的最优的超参数呢?我们首先要定义一个参数的网格,比如说我们可以尝试不同的 c 值和不同的 server, 然后我们把这些东西都放到一个字典里面,作为我们的 param grid。 接着我们就可以用 grid search cv 这个类,把我们的模型参数网格和我们要做几折交叉验证都传进去, 然后我们调用它的 fit 方法,它就会自动地帮我们去做这个搜索。最后我们可以通过 best param 这个属性来得到我们的最优的参数组合。 如果我们对逻辑回归模型的表现还是不满意的话,还有哪些其他的模型我们可以尝试的呢?我们还可以尝试支持向量机、决策树、随机森林这些模型。 嗯,其实斯克尔顿他的接口都是非常一致的。那我们只需要把我们的模型类换掉,然后其他的训练和评估的流程基本上都不用变。 ok, 那 我们今天用代码的方式一步步的带大家走了一遍 这个糖尿病预测模型,从数据准备到模型优化的完整流程。对,然后我们也看到了每一个环节里面的一些细节和一些决策点。是的,那今天的内容咱们就到这里了,感谢大家的收听,咱们下次再见,拜拜。拜拜。

在机器学习任务中,分类是一种监督学习方法,用于根据输入数据预测标签。例如,我们想要根据历史特征预测某人是否对销售优惠感兴趣。通过使用可用的训练数据训练机器学习模型, 我们可以对输入数据执行分类任务。我们经常遇到经典的分类任务,例如二元分类两个标签和多类分类两个以上标签。在这种情况下,我们会训练分类器 模型会尝试从所有可用标签中预测一个标签用于分类的数据及类似于下面的图像,上面的图像显示目标销售优惠。在二元分类中包含两个标签。在多类分类中包含三个标签。模型会从可用特征中进行训练,然后 输出一个标签。多标签分类与二元或多类分类不同,在多标签分类中,我们不仅尝试预测一个输出标签,相反,多标签分类会尝试预测尽可能多地适用于输入数据的标签输出可以是从没有标签到最大数量的可用标签。 多标签分类通常用于文本数据分类任务,例如,下面是一个多标签分类的视力数据集。在上面的视力中,假设文本一到文本五是可以归类为四个类别的句子、事件、体育、流行文化和自然。 通过上述训练数据,多标签分类任务可以预测哪个标签适用于给定的句子。每个类别之间并不相互对立,因为他们不是互吃的,每个标签可以被视为独立的。更详细 记得说,我们可以看到,文本一标记为体育和流行文化,而文本二标记为流行文化和自然,这表明每个标签是互斥的。多标签分类的预测输出可以是没有标签或同时包含所有标签。有了上述介绍, 接下来尝试使用 second learn 搭建多标签分类器。使用 second learn 进行多标签分类。 本教程将使用 cargo 上公开可用的生物医学 pop made 多标签分类数据集。该数据集包含各种特征,但本视频只使用 abstract text 特征和他们的 mish 分类。 a。 解剖学 b。 有机体 c。 疾病等 视力数据如下图所示。上述数据即表明每篇论文都可以被分为多个类别,这就是多标签分类的 案例。有了这个数据集,那么就可以使用 sick learn 建立多标签分类器。在训练模型之前,首先准备好数据集。本视频将文本数据转换为 tfidf 表示,以便 sick learn 模型能够接受训练数据。此外,为了简化教程, 本视频跳过了预处理数据的步骤,例如删除停顿词。数据转换完成后,我们将数据级分割为训练级和测试级。完成所有准备工作后, 我们将开始训练多标签分类器。在 second learn 中,我们将使用 multi output classifier 对象来训练多标签分类器模型。该模型背后的策略是为每个标签训练一个分类器。基本上每个标签都有自己的分类器。 在这个事例中,我们将使用逻辑回归并使用 multi output classifier 将其扩展到所有标签。我们可以更改模型并调整传递给 multi output classifier 的模型参数,因此请根据自己的要求进行管理。 训练完成后,让我们使用模型预测测试数据。预测结果是每个 mis h 类别的标签数组,每一行代表一个句子,每一列代表一个标签。 最后,我们需要对多标签分类器进行评估。我们可以使用准确率指标来评估模型 准确度得分结果为零点一四五,这表明该模型只能在不到百分之十四点五的情况下能预测出准确的标签组合。然而,对于多标签预测评估来说,准确率得分存在不足。准确率 得分需要每个句子的所有标签都出现在准确的位置上,否则就会被认为是错误的。例如,第一行预测与测试数据之间仅有一个标签的差异。对于准确率得分来说,这将被认为是错误的预测,因为标签组合不同。 这就是为什么模型具有较低度量分数的原因。为了解决这个问题,我们必须评估标签的预测,而不是他们的组合。 在这种情况下,我们可以使用 hamming loss 评估指标。汉民损失通过将错误预测与总标签数的比例来计算,因为汉民损失是一种损失函数, 得分越低越好。零表示没有错误预测,一表示所有预测都错误。我们的多标签分类器排名 los 模型为零点一三, 这意味着我们的模型在独立情况下约有百分之十三的错误预测,这意味着每个标签的预测可能有百分之十三的错误。结论,多标签分类是一种机器学习任务, 其输出可以是没有标签或给定输入数据的所有可能标签。这与二元或多类分类不同,其中标签输出是相互排斥的。使用 second learned multi output classifier, 我们可以开发多标签分类器, 为每个标签训练一个分类器。在模型评估方面,最好使用 hemilos 指标,因为准确率得分可能无法正确反映整体情况。 推荐书,单拍放分布式机器学习拍放分布式机器学习本书详细阐述了与分布式机器学习相关的基本解决方案,主要包括拆分 输入数据参数服务器和 or reduce、 构建数据并行、训练和服务管道瓶颈和解决方案。拆分模型、管道输入和曾拆分,实现模型并行训练和服务工作流程, 实现更高的吞吐量和更低的延迟数据并行和模型并行的混合联合学习和边缘设备弹性、模型训练和服务进一步加速的高级技术等内容。 此外,本书还提供了相应的视力代码,以帮助读者进一步理解相关方案的实现过程。本书适合作为高等院校计算机及相关专业的教材和教学参考书,也可作为相关开发人员的自学用书和参考手册。

三克特兰继续学习编程一百列,我们进入第五集。本次题目依然是处理缺失值,咱们使用一列中最频繁出现那个值来填充缺失值。 右边收到一个 delephrey 塞子,这一类呢,它是字物串类型,不是数值类型,因此咱们就不能够用均值这种方法来进行填充。 而对这种走串类型,咱们可以一个统计,叫做最频繁出现的值,使用这个值咱们来进行确实值的填充。 例如这一列,现在 m, 他这字母上出现了三次,是最多的,所以说填充控制了以后,第三行也会变成 m, 咱们来写代码看一下。 打开胶布袋这一集,咱们首先依然看一下这个 df, 咱们看到塞的这一列呢?第三行是有一个空值的,要是用最频繁的值进行填充, 咱们依然先创建一个策略对象, imputer 就等于 simple imputer, 第一个参数 miss mess 就等于 npdi, 嗯,第二个策略是拽得起 等一个奏串,这个曲子咱们可以 shift tablet table 往下翻。 放到这里了以后,咱们看到有一个 most frequent, 他的解释就是用最频繁抽烟的值来进行填充, 咱们直接复制这个折粘贴到这里。然后咱们来非得穿丝方模塞的这一列,复制一下上方的非得穿丝方模这个语法 列名改成赛字赛的这列呢,就等于 n q 叉点,非得川字方母赛这一列 逆行,咱们重新看一下 df, ok, 咱们看到第三行这个空值变成了 m。 回归一下,咱们使用 sipple input, 他策略是 most frequent, 就可以对空值使用最频繁的值进行填充,我们下次见,拜拜。

三科特论继续学习编程,练习百例第二集第一个数据中如果存在缺失值,咱们怎么进行数据缺失值的填充?本次题目是这样的,右边呢是有 del frame, 它里面有一列是 wait, 我们看到 wait 两个缺失值 位于第三行以及第五行。咱们的题目是维特列的确实值,使用这一列的平均值进行填充,代码该怎么写呢?打开九点,首先咱们进入 para4 和南派,然后这是数据字典,使用潘纳斯进行加载。我们看一下这 df, 这就是咱们解决的问题的 df。 wait 有两个控制,要对这一列确实值进行填充。咱们可以使用三克特兰的 imputer 模块,咱们先来引入一下 form ice caram 点 may imput, 从它里面 input simple input 运行。然后呢,咱们创建一个策略对象, imputer 就等于 simple imputer 踏船两个参数,第一个 missing values 等于 np 点,嗯嗯,对应咱们上方的这个浪子。 然后第二个,咱们需要传一个策略,就以什么样的形式来进行填充呢? strategy 等于命,咱们使用君子来进行填充 对象,穿进好了以后,咱们就可以进行非得穿 s form, 英语 weight 这一列 df 两个中二,传入 wet 这一列 imputer, 他的 fit 穿 sphone 的对象呢,应该是一个二维的数字,随之类 df 呢是两个中国号,它就等于 imputer 点 fitter transform 参数,穿上这 df 运行。咱们看一下 df, 大家看到 wait 里面呢,写的没有空值了,而对应的第三个值和第五个值其实又来自于其他值的平均。通过这种方式,咱们就把一列的空值给进行了填充,我们下次见,拜拜。