缺失值填充+类别特征处理（encode+dummy）+特征缩放+数据清洗

缺失值填充

1. 如果missing value占总体的比例非常小，那么直接填入平均值或者众数
2. 如果missing value所占比例不算小也不算大，那么可以考虑它跟其他特征的关系，如果关系明显，那么直接根据其他特征填入；也可以建立简单的模型，比如线性回归，随机森林等。
3. 如果missing value所占比例大，那么直接将miss value当做一种特殊的情况，另取一个值填入

SimpleImputer(missing_values=nan, strategy=’mean’, fill_value=None, verbose=0, copy=True)
1. missing_values:number，string,nan
2. strategy:mean,median,most_frequent,constant
3. fill_value:constant的情况下的填充值


#均值填充
>>> import numpy as np
>>> from sklearn.impute import SimpleImputer
>>> imp_mean = SimpleImputer(missing_values=np.nan, strategy='mean')
>>> imp_mean.fit([[7, 2, 3], [4, np.nan, 6], [10, 5, 9]])
>>> X = [[np.nan, 2, 3], [4, np.nan, 6], [10, np.nan, 9]]
>>> print(imp_mean.transform(X))
[[ 7.   2.   3. ]
 [ 4.   3.5  6. ]
 [10.   3.5  9. ]]
#中位数填充
import numpy as np
from sklearn.impute import SimpleImputer
imp_mean = SimpleImputer(missing_values=np.nan, strategy='median')
imp_mean.fit([[7,