一、实操

1）通用语法（常见于实操题第一块代码块）

1.读取文件数据或加载数据集等描述时

一般为以下结构：Data=pd.read_文件格式('文件名')  注意：文件名需要用‘ ’框起来，必须要有引号

文件格式有以下内容csv、txt、xlsx、json、html、sql、parquet、sas、spss、stata、hdf5，替代文件格式的位置

2.读取前几行数据

使用.head()方法

head( n ) 方法用于读取前面的 n 行，如果不填参数 n ，默认返回 5 行。

使用句法：print（data.head(n)）如果要求返回5行数据，n可不填

3.保存数据到对应文件

使用.to_文件类型方法

例如data.to_csv('文件名.csv',index = False) 即将data中的数据保存到csv格式的文件 文件名.csv文件中

4.删除空值或异常值

使用drop或dropna语法

• drop 是按 行标签（index）或列标签（columns） 删除整行/整列，你必须告诉它"删掉第几行或第几列"。

• dropna 是按 缺失值的位置 删除行/列，你只需告诉它"哪一列有缺失就删哪一行"，不需要知道具体行号。

• dropna(subset=['列名']) = "只要这一列缺值就删该行，别的列缺不缺我不管"。

2）实操题看到关键字常用语法

关键字：归一化，标准化，或scaler

看到归一化，标准化，或scaler这些关键字，写如下格式的代码
scaler.fit_transform(data[numerical_features])
其中scaler是抄上文，fit_transform是固定用法，括号里的参数是被标准化的对象，抄前文。

关键字：转换数据类型

看到将什么转换成数据类型时，迅速想到pandas.to_numeric(转换的数据)

类似以下格式

df['horsepower'] = pd.to_numeric(df['horsepower'], errors='coerce')

这里我要转换的数据是加载的数据集df中的horsepower列 注：多关注使用的符号例如[]和''

关键字：划分为训练集和测试集

看到划分数据集想到train_test_split语法例如以下语句

X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.2, random_state=42)

这里定义了X为训练集，y为测试集，使用train_test_split语法划分，test_size=0.2代表测试集占比20%

关键字训练模型

如果出现训练模型等关键字，使用 数据.fit（训练集，测试集）例如以下代码

pipline.fit(X_train,y_train)

训练pipline数据，使用fit方法训练，训练数据为X_train,y_train

关键字：保存模型

pickle.dump(model,文件名)

文件名为题目命名文件

关键字：预测并保存结果

model.predict(X_test)02

过拟合，欠拟合通用改进点；
1 清洗数据，清洗空值，重复值和异常值。
2 扩充训练样本数，增多训练次数
3 调整特征值，加入和目标值有关的字段，去掉和目标值无关的字段
4 对样本进行标准化处理（凑数）