二、差分隐私三、实现机制1、拉普拉斯机制（常用于数值输出的函数）2、高斯机制四、差分隐私分类（1）本地化差分隐私（2）中心化差分隐私（3）分布式差分隐私（4）混合差分隐私

需求：1. 加载数据df = pd.read_csv('./data/usa_election.txt')2. 对新数据进行总览，查看是否存在缺失数据：方法一：isnull、notnull、any、all方法二：df.info()df.info()3. 用统计学指标快速描述数值型属性的概要：df.describe()#统计学指标：数值型属性4. 空值处理。可能因为忘记填写或者保密等原因，相关字段出

solver可选参数：{'liblinear', 'sag', 'saga', 'newton-cg', 'lbfgs'}默认 'liblinear' ：用于优化问题的算法。对于小数据集来说，'liblinear' 是个不错的选择。而'sag'和'saga'对于大数据集会更快。对于多分类问题，只有'newton-cg', 'sag' 和’lbfgs‘可以处理多项损失，'liblinear'仅限于'