一、實操

1）通用語法（常見于實操題第一塊代碼塊）

1.讀取文件數據或加載數據集等描述時

一般為以下結構：Data=pd.read_文件格式('文件名')??注意：文件名需要用‘ ’框起來，必須要有引號

文件格式有以下內容csv、txt、xlsx、json、html、sql、parquet、sas、spss、stata、hdf5，替代文件格式的位置

2.讀取前幾行數據

使用.head()方法

head( n ) 方法用于讀取前面的 n 行，如果不填參數 n ，默認返回 5 行。

使用句法：print（data.head(n)）如果要求返回5行數據，n可不填

3.保存數據到對應文件

使用.to_文件類型方法

例如data.to_csv('文件名.csv',index = False) 即將data中的數據保存到csv格式的文件 文件名.csv文件中

4.刪除空值或異常值

使用drop或dropna語法

• drop 是按 行標簽（index）或列標簽（columns） 刪除整行/整列，你必須告訴它"刪掉第幾行或第幾列"。

• dropna 是按 缺失值的位置 刪除行/列，你只需告訴它"哪一列有缺失就刪哪一行"，不需要知道具體行號。

• dropna(subset=['列名']) = "只要這一列缺值就刪該行，別的列缺不缺我不管"。

2）實操題看到關鍵字常用語法

關鍵字：歸一化，標準化，或scaler

看到歸一化，標準化，或scaler這些關鍵字，寫如下格式的代碼
scaler.fit_transform(data[numerical_features])
其中scaler是抄上文，fit_transform是固定用法，括號里的參數是被標準化的對象，抄前文。

關鍵字：轉換數據類型

看到將什么轉換成數據類型時，迅速想到pandas.to_numeric(轉換的數據)

類似以下格式

df['horsepower'] = pd.to_numeric(df['horsepower'], errors='coerce')

這里我要轉換的數據是加載的數據集df中的horsepower列 注：多關注使用的符號例如[]和''

關鍵字：劃分為訓練集和測試集

看到劃分數據集想到train_test_split語法例如以下語句

X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.2, random_state=42)

這里定義了X為訓練集，y為測試集，使用train_test_split語法劃分，test_size=0.2代表測試集占比20%

關鍵字訓練模型

如果出現訓練模型等關鍵字，使用 數據.fit（訓練集，測試集）例如以下代碼

pipline.fit(X_train,y_train)

訓練pipline數據，使用fit方法訓練，訓練數據為X_train,y_train

關鍵字：保存模型

pickle.dump(model,文件名)

文件名為題目命名文件

關鍵字：預測并保存結果

model.predict(X_test)02

過擬合，欠擬合通用改進點；
1 清洗數據，清洗空值，重復值和異常值。
2 擴充訓練樣本數，增多訓練次數
3 調整特征值，加入和目標值有關的字段，去掉和目標值無關的字段
4 對樣本進行標準化處理（湊數）