range(start, stop, step) # 从 start 开始，步长为 step，到 stop-1。range()` 是 Python 内置函数，用于生成一个整数序列，常用于 for 循环中控制循环次数。定义一个包含整数的列表 scores，赋值为 [85, 92, 78, 65, 95, 88]。循环结束后，计算平均分 average_score（总分除以分数的个数）。- `star

题目：初识pandas库与缺失数据的补全。打开数据（csv文件、excel文件）打开数据（csv文件、excel文件）去尝试补全信贷数据集中的数值型缺失值。查看数据（尺寸信息、查看列名等方法）查看数据（尺寸信息、查看列名等方法）利用循环补全所有列的空值。利用循环补全所有列的空值。众数、中位数填补空值。众数、中位数填补空值。

2.填补缺失值（离散+连续） 首先用均值填补连续特征的缺失值，之后用众数填补离散变量的缺失值。对离散特征编码，可采用标签编码和独热编码。对于特征之间本身不存在顺序关系，可采用独热编码。注意是py文件中，所以每一步的输出是否正确需要你来使用debugger功能来逐步查看。现在在py文件中 一次性处理data数据中所有的连续变量和离散变量。4. 对独热编码后的变量转化为int类型。先按照示例代码过一遍

对心脏病数据集的特征用上述知识完成，一次性用所有的处理方式完成预处理。对独热编码的深入理解----n个不相关变量只有n-1个自由的。----一般选一个即可，谁好谁坏做了才知道，除非有先验知识。从可视化中可以看出，患病人群的胆固醇水平较高。数据可视化（单特征、单特征与标签）从中可以看出，本数据集并无缺失值。连续特征的处理：归一化和标准化。至此，常见的预处理方式都说完了。连续特征的归一化or标准化。

修改`sns.boxplot()`为`sns.violinplot()尝试用子图拼接的形式来构建心脏病数据集的图的排版，完成下面5张图。特征与标签关系的在一起（连续变量一起；离散变量一起）2张图。图像可以自行探索形态，比如箱线图可以修改为小提琴构图，如。单特征的拼接在一起（连续变量一起；离散变量一起）2张图。，还有很多其他的形态可以借助AI学习。热力图调试到满意的样式。

机器学习的流程顺序-----不要数据泄露（归一化器在划分数据集后）异常值的处理---箱线图去除异常值的思想和迭代问题。尝试对心脏病数据集采用机器学习模型建模和评估。机器学习模型建模的三行代码。机器学习模型分类问题的评估。

通过系统地、顺序地构建一系列“弱”的树模型，其中每一棵新树都专注于纠正前一棵树（或前一系列树）所犯的错误，最终将这些树的结果组合成一个非常强大且精确的模型。reg_alpha: [0.000,10.000](范围:10.000)reg_lambda: [0.000,10.000](范围:10.000)对其他模型尝试贝叶斯可视化，并且选择一个模型试着去理解它背后的思想。将集合元素分散到变量中。

对其他模型采用这几种算法尝试优化超参数。尝试写出退火算法的背后思想和案例。

尝试借助ai完成其他多目标问题，可借助ai生成模拟数据。对信贷数据集的其他模型采取多目标优化。

【代码】Day24 python study。