一、缺失值处理1.识别缺失值函数：df.isnull()结合其他方法：df.isnull().sum() #找出缺失值数量df.isnull().sum()/len(df) #找出占比dit={'col1':[0,1,2,None,4],'col2':[5,None,6,7,None]}df=pd.DataFrame(dit)df.isnull().sum()>col11col22dtype

一、索引1.基础索引方式import pandas as pddf=pd.DataFrame({'col1':[1,2,3,4,5],'col2':[6,7,8,9,0]})df>col1col2016127238349450#访问单列数据df['col1']>0112233445Name: col1, dtype: int64df.col1>0112

一、索引1.基础索引方式import pandas as pddf=pd.DataFrame({'col1':[1,2,3,4,5],'col2':[6,7,8,9,0]})df>col1col2016127238349450#访问单列数据df['col1']>0112233445Name: col1, dtype: int64df.col1>0112

一、缺失值处理1.识别缺失值函数：df.isnull()结合其他方法：df.isnull().sum() #找出缺失值数量df.isnull().sum()/len(df) #找出占比dit={'col1':[0,1,2,None,4],'col2':[5,None,6,7,None]}df=pd.DataFrame(dit)df.isnull().sum()>col11col22dtype

三、朴素贝叶斯算法朴素贝叶斯算法是基于贝叶斯定理与特征条件独立性假设的分类方法1.原理（1）贝叶斯定理（2）特征条件独立性假设给定一个数据集(x,y)，每个样本x包含n维特征，类标签集合y包含N个类别。现给定一个新样本x，需要判断它属于哪一类。在这里，我们取概率最大的类别作为其类标签，即问题转化为：找到最大值对应的类标签。即...

三、朴素贝叶斯算法朴素贝叶斯算法是基于贝叶斯定理与特征条件独立性假设的分类方法1.原理（1）贝叶斯定理（2）特征条件独立性假设给定一个数据集(x,y)，每个样本x包含n维特征，类标签集合y包含N个类别。现给定一个新样本x，需要判断它属于哪一类。在这里，我们取概率最大的类别作为其类标签，即问题转化为：找到最大值对应的类标签。即...

一、散点图：scatterplot函数：seaborn.scatterplot常用参数：x，yarray，str，series，输入变量。字符串应该是data中对应的变量名，使用series将会在轴上显示名称。data接收DataFrame，表示用于绘图的数据集。hue接收data中的变量名，传入分类变量，以颜色分类。size接收data中的变量名，传入分类变量，以标记大小分类。sizes接收li

一、heatmap热力图以颜色的明亮程度来显示数据的密集程度。颜色越明亮，数据越密集。函数：seaborn.heatmap常用参数：data接收二维矩阵数据集，用于绘图的数据集。vmin，vmax接收float，表示颜色映射的值的范围。默认为Nonecenter接收float，表示以0为中心发散颜色，默认为None。cmap接收色彩映射或颜色列表，表示数值到颜色空间的映射，默认为None。robu

一、分类散点图1.stripplot函数：seaborn.stripplot常用参数：x,y,hue接收data中的变量名，表示选入的绘图变量，hue传入分类变量，以对颜色分类。data接收DataFrame，array，list，series，表示用于绘图的数据集。order,order_hue接收字符串列表，指定绘图分类级别。jitter接收float，True或1，添加均匀随机噪声以优化图形

Seaborn具有以下特点：1.基于matplotlib绘图风格，增加了一些绘图模式。2.增加调色板功能，具有色彩丰富的显示数据的模式。3.面向整个数据集，可以显示多个变量之间的关系。4.可视化单变量和双变量分布以及在数据子集间进行比较。5.不同种类因变量的线性回归模型的自动估计和绘图。6.方便查看复杂数据集的整体结构。7.灵活处理时间序列数据。8.利用网络建立复杂图像集。一、Seaborn基础1