在预处理中，涉及的常用函数如下：

• df.isnull（）：判别数据中是否存在NAN数据；

• df.dropna()：按要求对存在NAN的行或列进行删除；

• 类别数据处理：有序特征映射，类标是有大小、可排序；利用字典

• 类标编码： 类标无大小之分，不可排序；利用枚举

• 使用LabelEncoder类可以更加方便的完成类标编码；

        n_values:字符串'auto'、或者整数、或者整数数组；指定每一个属性取值上界；'auto'表示自动从训练数据中推断属性值取值的上界；一个整数表示所有属性取值的上界；数组表示每个元素依次指定了一个属性的上界；

• 数据集和测试集的划分：常用比例为6:4、7:3、8:2；对于庞大数据集，常用9:1或者99:1；

• 减少过拟合方法1：正则化（L1正则化和L2正则化）

header：将行号用作列名，且是数据的开头。注意当skip_blank_lines=True时，这个参数忽略注释行和空行。所以header=0表示第一行是数据而不是文件的第一行

转载本文请联系原作者获取授权，同时请注明本文来自李军科学网博客。

|| 我只是好奇为什么我看到的大多数示例在使用正则表达式时都使用pile(