Python

在数据分析的工作中，80% 的时间都在做数据清洗。今天记录一下使用 Pandas 处理缺失值和异常值的常用技巧。 处理缺失值 dropna()：直接丢弃含有缺失值的行。 fillna()：用均值、中位数或特定值填充。 数据透视表 Pandas 的 pivot_table 类似于 Excel 的数据透视表，非常强大。 python import pandas as pd df = pd.read_csv(‘data.csv’) table = pd.pivot_table(df, values=‘sales’, index=‘region’, columns=‘year’, aggfunc=‘sum’) print(table)

什么是机器学习？ 机器学习是人工智能的一个分支，它使计算机能够在没有明确编程的情况下学习。简单来说，就是让机器从数据中寻找规律。 我的学习路径 基础理论：吴恩达老师的课程是必看的。 工具库：熟练使用 NumPy 和 Pandas 处理数据。 实战：从 Kaggle 的经典赛题开始，比如 Titanic 生存预测。 代码示例 python from sklearn.linear_model import LogisticRegression model = LogisticRegression() 模拟训练数据 X = [[0], [1], [2]] y = [0, 1, 1] model.fit(X, y) print(f"预测结果: {model.predict([[1.5]])}")