我们在运用pandas写机器学习的数据预处理时，数据清洗和建模部分有时候会觉得写的比较乱，维护和修改较为麻烦。不过，sklearn库中的Pipeline（流水线）较好地解决了这个问题，

对于低维度数据集，或者高维度数据集在使用pca等方法降维后，有时需要根据标签画出3维图，不同类别标签使用不同颜色。如下图所示，x，y，z为数据特征，根据类别使用不同颜色。可见，特征混叠严重，需要更换降维方法。以下，将以 kaggle中Instant Gratification数据集（二分类数据集）为例，在使用pca降维后，根据类别使用不同颜色画图。

个性化定制输出报告，一般我们要修改参数或者配置文件。本文介绍了常用的参数，并且修改了配置文件的一部分来演示结果。

改了bug1:当score最大的锚框出现在左上是少统计的bug。bug2:while有时无限循环，加个counter限制最大循环。加了最小准确率的参数，有时候有用。返回结果改成了直接返回bbox和score，避免了index的改动问题。

在pandas中，如果需要查看column的类型，一般使用df.dtypes方法，它将返回每个列的数据类型。但实践中，有时会出现需要包含多种数据类型的场景，或者dataFrame包含的表格出错，出现了多种数据类型。为了观察dataFrame中的所有类型在列中的分布情况，我们写了对应的检查函数。

在IEEE搜索时，在查找关键词时，若选择相关度，被引用量可能很低，反之亦然，所以，我们导出搜索结果后使用pandas进行数据清洗，来解决问题（有代码，有解析）

方法一：pandas_profiling输出分析以泰坦尼克号数据集为例，如果只是康康然后疯狂复制粘贴的话那没啥，但是如果想全流程自动化，就要把ProfileReport的结果用到接下来的数据处理中，不妨把结果输出到json文件。from pandas_profiling import ProfileReportimport pandas as pddf = pd.read_csv('train.c