而在Python生态系 统中，NumPy库扮演着重要的角色，它提供了丰富的功能和高效的数据结构，使得机器学习任务更加便捷和高效。数组在数据科学中非常常用，因为速度和资源非常重要。NumPy 是一个 Python 库，部分用 Python 编写，但需要快速计算的大部分部分是用 C 或 C++ 编写的。特点：在 Python 中，我们有列表可以充当数组，但处理速度很慢。NumPy 旨在提供一个比传统

python存储数据可以存入到表格中，有很多的方式可以操作excel，例如。等，下面我展示pandas的操作。

峰度：描述数据分布陡缓程度的统计量，可以将峰度理解为数据分布的高矮程度，其计算公式为四阶中心距与标准差四次方的比值。​​​​​​​​​​​​​​偏度：统计数据分布斜率方向和程度的度量，是统计数据分布非对称程度的数字特征，其计算公式为三阶中心距与标准差三次方的比值。分位数：分位数，通过n-1个分位将数据划分为n个区间，使得每个区间的数值个数相等(或近似相等)。中位数：将一组数据升序排列，位于该组数据

区间估计指定的区间，我们称为置信区间，而区间估计指定的概率，我们称为置信度。我们为什么要进⾏推断呢？也就是说，总体的参数往往是未知的，我们为了获取总体的参数，就需要通过样本统计量来估计总体参数。通常，我们以2倍标准差作为判定依据，则以样本均值为中心，正负2倍标准差构成的区间，就是置信区间。总体，是包含我们要研究的所有数据，总体中的某个数据，就是个体。但是，点估计也并⾮完全⼀⽆是处，因为样本来⾃于总

标准化处理：如果通过身⾼体重去分析⼀个正常身材的⼈的胖瘦，假设身⾼的衡量标准为“⽶”，⽽体重的衡量标准为“⽄”，由于⼆者的数量级的差异，会导致判断胖瘦的标准发⽣改变，导致体重⼀项具有了更⼤的影响⼒ ，但是根据经验可以知道，⼀个正常身材⼈的胖瘦是由身⾼和体重共同决定的，对于这样的数据⽽⾔，给计算机使⽤的数据就要进⾏数据标准化。例：现在有性别：{男，⼥，其他}。通常获取数据通常都是不完整的，缺失值、零

生成元特征：用训练好的基础模型对 Train2 和测试集进行预测，得到 “元特征矩阵”——Train2 对应的元特征作为 “元模型的训练特征”，测试集对应的元特征作为 “元模型的测试特征”。学习法（又称 Stacking，堆叠法）是高精度需求场景的进阶结合策略，核心逻辑是 “将基础模型的输出作为‘新特征（元特征）’，训练一个‘元模型（Meta-Model）’来学习如何组合这些元特征，最终输出预测结

python自定义函数中有两种不定长参数，第一种是*XXX，通常写成*args，在传入额外的参数时可以不用指明参数名，直接传入参数值即可。是已经写好的一些函数，他们美观且强大，我们可以打印dir(__builtins__)，查看有哪些内置函数，比如我们常用的。可以是任意类型，一个函数只有一个return，函数遇到return之后就结束了，后面还有其他的代码也不会去执行。函数是组织好的，可重复使用的

生成元特征：用训练好的基础模型对 Train2 和测试集进行预测，得到 “元特征矩阵”——Train2 对应的元特征作为 “元模型的训练特征”，测试集对应的元特征作为 “元模型的测试特征”。学习法（又称 Stacking，堆叠法）是高精度需求场景的进阶结合策略，核心逻辑是 “将基础模型的输出作为‘新特征（元特征）’，训练一个‘元模型（Meta-Model）’来学习如何组合这些元特征，最终输出预测结