缺失值处理1、查看是否有缺失值2、选择删除行3、选择删除列4、使用字符串代替缺失值5、前一个数据代替6、后一个数据代替7、平均值代替当数据中存在缺失值时，可以用其他数值代替缺失值，这里主要用到了Dataframe.fillna()方法。具体的用法如下1、查看是否有缺失值首先加载数据，并进行显示数据透视表：import pandas as pddata = pd.read_csv("dirty_be

pycharm运行jupyter出现run error错误

问题分析该问题主要是由于当前操作的字符串是bytes类型的字符串对象，并对该bytes类型的字符串对象进行按照str类型的操作。当对此数据进行str类型的操作，比如上面的split时，会弹出以上错误提示。因为split函数传入的参数时str类型的字符串，而当前的为bytes编码类型的字符串对象。解决方法网络查找的解决方法：将s转化为str类型或者是将对s进行str类型操作转化为对bytes类型的操

Boosting算法Boosting算法算法过程Adaboost算法Boosting算法Boosting也就提升算法，通过训练多个弱分类器，最后加权组合成一个分类精度比较高的强学习者。正所谓“三个臭皮匠，顶个诸葛亮”。其中弱分类器一般是指一个分类器的分类结果仅仅比随机分类好一点点。算法过程1、对于训练集中的每个样本建立权值wi，表示对每个样本的关注度。当某个样本被误分类的概率很高时，需要加大对该样

机器学习之ID3算法1、信息熵2、ID3算法1、信息熵首先我们来介绍一下信息熵（entropy）的概念，它表示了信息的不确定度。在信息论中，随机离散时间出现的概率存在着不确定性，为了衡量这种信息的不确定性，信息学之父香农引入了信息熵的概念，并给出了计算信息熵的数学公式：p(i|t) 代表了节点 t 为分类 i 的概率，其中 log2 为取以 2 为底的对数。这里我们不是来介绍公式的，而是说存在一种

PCA与SVD1、特征选择方法2、面试高危问题3、降维实现3.1 sklearn中的库迷你案例（1）调用库和模块(2)提取数据集(3)建模（4）可视化（5）探索降维后的数据3.2 PCA与SVD原理在降维过程中，我们会减少特征的数量，这意味着删除数据，数据量变少则表示模型可以获取的信息会变少，模型的表现可能会因此受到影响。同时，在高维数据中，必然有一些特征是不带有有效的信息的，比如噪声，还有一些特

异常值处理1、异常值定义2、异常值处理方式3、实战1、异常值定义2、异常值处理方式3、实战

错误提示错误原因random.sample（）里面没有使用list，而是set，所以只要我们做一个列表转换就可以成功解决错误for i in range(d.dataframe.shape[1]):random_sample = random.sample(list(feature_list[i]),20)print(random_sample,len(random_sample))...

异常值处理1、异常值定义2、异常值处理方式3、实战1、异常值定义2、异常值处理方式3、实战

python中出现TypeError: ‘bool’ object is not callable的错误，应该如何解决呢？？？首先看一下我在写代码时出现的错误提示：这里pd.dataframe()为一个空的dataframe，if条件判断语句中，是判断dataframe是否为空，其返回true或false。我的代码里是返回true，会执行if下面的语句。...