数据分析与可视化，模型交叉验证，特征工程

1，数据分析与可视化

（1）导入库

Matplotlib是画图库，Seaborn是一个建立在Matplotlib之上的高级数据可视化库

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

（2）读取文件

train_data = pd.read_csv('用户新增预测挑战赛公开数据/train.csv')
test_data = pd.read_csv('用户新增预测挑战赛公开数据/test.csv')

（3）绘制图像

sns.heatmap(train_data.corr().abs(), cmap='YlOrRd')
sns.barplot(x='x7', y='target', data=train_data)

输出图像得到：

 2，模型交叉验证

1. 导入库：导入了必要的Python库，包括Pandas（用于数据处理）、NumPy（用于数值计算）、以及Scikit-learn（用于机器学习）。
2. 读取训练集和测试集文件：从CSV文件中读取了训练集和测试集的数据。
3. 提取udmap特征，人工进行onehot：对'udmap'列进行one-hot编码。在这个过程中，如果'udmap'的值是'unknown'，那么会返回一个全0的向量。否则，会将'udmap'列中每个键值对的键作为索引，对应的值作为该位置的值。
4. 编码udmap是否为空：将'udmap'列是否为'unknown'的情况转换为整数（0表示不是，1表示是）。
5. udmap特征和原始数据拼接：将经过one-hot编码的udmap特征与原始数据拼接在一起。
6. 提取eid的频次特征：计算每个用户ID（'eid'）出现的频率。
7. 提取eid的标签特征：根据每个用户ID的目标值（'target'）的平均值计算标签特征。
8. 提取时间戳：将'common_ts'列转换为datetime对象，并提取小时信息。
9. 导入模型：从Scikit-learn导入了四种常用的分类器