Summarize-my first machine learing

import pandas as pd
import numpy as np

背景

一个汽车的数据集，这次简单的任务是通过制造品牌方，颜色，里程表(KM)，和车门的数量来估计汽车的价格

数据查看和缺失值的清理

car_sales_missing = pd.read_csv(r"\Users\Administrator\Desktop\data\car-sales-extended-missing-data.csv")
car_sales_missing.head()

	Make	Colour	Odometer (KM)	Doors	Price
0	Honda	White	35431.0	4.0	15323.0
1	BMW	Blue	192714.0	5.0	19943.0
2	Honda	White	84714.0	4.0	28343.0
3	Toyota	White	154365.0	4.0	13434.0
4	Nissan	Blue	181577.0	3.0	14043.0

car_sales_missing.isnull().sum()

Make             49
Colour           50
Odometer (KM)    50
Doors            50
Price            50
dtype: int64

car_sales_missing.dtypes

Make              object
Colour            object
Odometer (KM)    float64
Doors            float64
Price            float64
dtype: object

car_sales_missing["Doors"].value_counts()

4.0    811
5.0     75
3.0     64
Name: Doors, dtype: int64

虽然在数据集中，'Doors'是 float64 的类型，从数据来看，它是离散的，所以需要当作分类标签，待会用热编码进行数字化

方法 1： 用pandas填充缺失值

# 缺失值填充，其中 'Make' 和 'Colour' 用 'missing' 填充，而 "Odometer (KM)" 用的是平均值，"Doors" 用的是众数

car_sales_missing['Make'].fillna('missing', inplace = True)

car_sales_missing['Colour'].fillna('missing', inplace = True)

car_sales_missing["Odometer (KM)"].fillna(car_sales_missing["Odometer (KM)"].mean(), inplace=True)

car_sales_missing["Doors"].fillna(4, inplace=True)

查看填充的效果

car_sales_missing.isna().sum()

Make              0
Colour            0
Odometer (KM)     0
Doors             0
Price            50
dtype: int64

丢掉缺失值，因为是要对 'Price' 预测

car_sales_missing.dropna(inplace=True)

这下数据集中就没有缺失值了

car_sales_missing.isna().sum()

Make             0
Colour           0
Odometer (KM)    0
Doors            0
Price            0
dtype: int64

# 将数据分割成特征集和标签，也就是 `X` 和 `y`

X = car_sales_missing.drop(