当前位置：首页 > news >正文

机器学习预处理-表格数据的分析与可视化

news 来源：原创 2025/9/18 23:37:29

机器学习预处理-表格数据的分析与可视化

最近在做一些模型部署的工作，但是发现对于数据的处理、分析、训练方面还是缺少一些系统的学习，因此抽空余时间分析总结一些使用python进行数据处理的实用案例，希望能够方便自己已经其他人的Ctrl C+V。

之前做稠密（表格）数据的处理都是使用一些现有的分析软件去做（如SPSS），学习成本低但是自由度比较受限，此处介绍使用python的处理。

此处的数据分析部分参考博客：【机器学习】最经典案例：房价预测（完整流程：数据分析及处理、模型选择及微调）

本文的数据集和代码下载：机器学习预处理-表格数据的分析与可视化-数据集和python文件

机器学习预处理-表格数据的分析与可视化
- 1、数据下载
- 2、数据查看
- - 2.1、查看表格数据头和数据案例
  - 2.2、总体查看数据大小、数据类型和空缺情况
  - 2.3、查看数值属性列的均值、最小最大值等信息
  - 2.4、绘制每列数据的分布情况
  - 2.5、绘制多维数据关系
  - 2.6、绘制两两间互相关关系图
  - 2.7、绘制相关性系数热力图
- 3、代码
- - 3.1、01LoadDataSet.py
  - 3.2、02DataView.py

1、数据下载

（01LoadDataSet.py）
运行下面代码即可自动下载数据集（经典房价数据），但是由于目标的url在国外地址，可能需要科学上网工具，代码会自动下载数据集并解压：

import os
import tarfile
from urllib import requestDOWNLOAD_ROOT = "https://raw.githubusercontent.com/ageron/handson-ml2/master/"
HOUSING_URL = DOWNLOAD_ROOT + "datasets/housing/housing.tgz"#网址位置
HOUSING_PATH = os.path.join("datasets", "housing")#存储位置def fetch_housing_data(housing_url = HOUSING_URL, housing_path = HOUSING_PATH):os.makedirs(housing_path, exist_ok = True)tgz_path = os.path.join(housing_path, "housing.tgz")request.urlretrieve(housing_url, tgz_path)housing_tgz = tarfile.open(tgz_path)housing_tgz.extractall(path = housing_path)#解压housing_tgz.close()fetch_housing_data()

下载得到的为tgz压缩格式，进行解压即可得到原始数据的csv格式
在这里插入图片描述

2、数据查看

（02DataView.py）

2.1、查看表格数据头和数据案例

运行下面代码，会打印表格csv数据的表头和5行案例数据，帮我我们快速了解表格数据的大致内容和格式：

import pandas as pd
import osHOUSING_PATH = os.path.join("datasets", "housing")  # 存储位置
def load_housing_data(housing_path=HOUSING_PATH):csv_path = os.path.join(housing_path, "housing.csv")return pd.read_csv(csv_path)  # 返回 包含所有数据的pandas DataFrame对象housing = load_housing_data()
print(housing.head())

在这里插入图片描述
但是，由于表格数据比较大，部分数据不能全部打印出来，推荐直接打开csv的表格文件进行查看，更加方便直观一些。

2.2、总体查看数据大小、数据类型和空缺情况

使用下面的代码可以直接打印出数据集的属性描述：

housing.info()#查看数据集属性描述，自动打印

在这里插入图片描述

2.3、查看数值属性列的均值、最小最大值等信息

使用下面的命令查看数据集每列的信息，此处直接打印会在输出窗口显示不完全，因此直接把数据输出为xlsx文件查看：

# 查看数值属性列的均值、最小最大值等信息-结果导出为housing_describe.xlsx
housing_describe = housing.describe()
housing_describe.to_excel('housing_describe.xlsx')  # 保存到 Excel 文件

生成后的文件信息如下：
在这里插入图片描述
文件中各个行的数据解释如下：

count：非空（非NA/null）值的数量
mean：平均值，所有非空值的算术平均。
std：标准差，衡量数据的离散程度
min：最小值，数据中的最小值。 25%：第25百分位数，也称为下四分位数，表示数据中有25%的数据小于这个值
50%（median）：中位数，数据排序后位于中间的数。如果数据量是奇数，则中位数就是中间那个数；如果是偶数，则中位数是中间两个数的平均值
75%：第75百分位数，也称为上四分位数，表示数据中有75%的数据小于这个
max：最大值，数据中的最大值。

2.4、绘制每列数据的分布情况

数字形式的数据绘图
实际中，我们往往需要观察每个数据的实际分布的情况，使用下面代码绘制分布图：

import matplotlib.pyplot as plt
housing.hist(bins = 50, figsize = (20,15))#各属性各自的分布：即处于横轴区间（x轴）的样本个数为多少（y轴）
plt.savefig('distribution01.png', dpi=300)#保存图片为png
plt.show()

运行得到的结果如下所示，还是比较美观的：
在这里插入图片描述
文字形式的数据显示
我们之前可以分析到“ocean_proximity”这一列的数据为字符串格式，对于字符格式的数据我们可以使用下面代码观察其分布：

print(housing["ocean_proximity"].value_counts())#查看ocean_proximity栏中有多少种分类

运行结果为：
在这里插入图片描述

2.5、绘制多维数据关系

三个自变量对应一个因变量
多维度数据关系的绘制需要根据具体情况来具体分析，此处选择影响房价的三个因素为例进行。从之前的原始数据的观察，此处绘制数据的自变量包含经度、纬度、人口密度，绘制数据的因变量就是房价数据：

#房价分布, s-蓝色-人口数量，c-颜色-价格-（蓝-红）
housing.plot(kind = "scatter", x = "longitude", y = "latitude", alpha = 0.4,s = housing["population"]/100, label = "population", figsize = (10,7),c = "median_house_value", cmap = plt.get_cmap("jet"), colorbar = True,)
plt.legend()
plt.savefig('distribution02.png', dpi=300)#保存图片为png

绘制得到的图表如下所示，其中横纵坐标分别为经纬度，图中圆圈大小代表人口的密度，图中的颜色深浅代表房价的具体数值，可以看到美国沿海地区人口密度大，房价更高：
在这里插入图片描述

2.6、绘制两两间互相关关系图

说白了就是以其中一个数据为横坐标，另一个数据为纵坐标绘图：

from pandas.plotting import scatter_matrix
attributes = ["median_house_value", "median_income", "total_rooms", "housing_median_age"]
scatter_matrix(housing[attributes], figsize = (12,8))
plt.savefig('correlation.png', dpi=300)#保存图片为png

从下面的第一列的第二行的图片可以看到，房价数据和收入的绘图有一定的线性关系，其余的数据的关系并不显著：
在这里插入图片描述

2.7、绘制相关性系数热力图

上一小节2.6、绘制两两间互相关关系图的绘制不太直观，可以使用相关性系数的热力图对两两变量的相关性进行分析，代码如下：

# 计算相关性系数矩阵
correlation_matrix = housing[['median_house_value', 'median_income', 'total_rooms', 'housing_median_age']].corr()
import seaborn as sns
# 设置 seaborn 样式
sns.set(style="white")
# 绘制相关性热力图
plt.figure(figsize=(8, 6))  # 设置图形大小
heatmap = sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', center=0)
plt.subplots_adjust(left=0.2, right=0.9, top=0.9, bottom=0.3)
# 添加标题和标签（可选）
plt.title('Correlation Heatmap')
# 显示图形
# plt.show()
# 保存图形为图片文件
plt.savefig('correlation_heatmap.png', dpi=300)

运行结果如下，可见收入和房价间的相关性确实比较大：
在这里插入图片描述

3、代码

3.1、01LoadDataSet.py

import os
import tarfile
from urllib import requestDOWNLOAD_ROOT = "https://raw.githubusercontent.com/ageron/handson-ml2/master/"
HOUSING_URL = DOWNLOAD_ROOT + "datasets/housing/housing.tgz"#网址位置
HOUSING_PATH = os.path.join("datasets", "housing")#存储位置def fetch_housing_data(housing_url = HOUSING_URL, housing_path = HOUSING_PATH):os.makedirs(housing_path, exist_ok = True)tgz_path = os.path.join(housing_path, "housing.tgz")request.urlretrieve(housing_url, tgz_path)housing_tgz = tarfile.open(tgz_path)housing_tgz.extractall(path = housing_path)#解压housing_tgz.close()fetch_housing_data()

3.2、02DataView.py

import pandas as pd
import osHOUSING_PATH = os.path.join("datasets", "housing")  # 存储位置
def load_housing_data(housing_path=HOUSING_PATH):csv_path = os.path.join(housing_path, "housing.csv")return pd.read_csv(csv_path)  # 返回 包含所有数据的pandas DataFrame对象housing = load_housing_data()
print(housing.head())housing.info()#查看数据集属性描述# 查看数值属性列的均值、最小最大值等信息-结果导出为housing_describe.xlsx
housing_describe = housing.describe()
housing_describe.to_excel('housing_describe.xlsx')  # 保存到 Excel 文件import matplotlib.pyplot as plt
housing.hist(bins = 50, figsize = (20,15))#各属性各自的分布：即处于横轴区间（x轴）的样本个数为多少（y轴）
plt.savefig('distribution01.png', dpi=300)#保存图片为png
# plt.show()print(housing["ocean_proximity"].value_counts())#查看ocean_proximity栏中有多少种分类#房价分布, s-蓝色-人口数量，c-颜色-价格-（蓝-红）
housing.plot(kind = "scatter", x = "longitude", y = "latitude", alpha = 0.4,s = housing["population"]/100, label = "population", figsize = (10,7),c = "median_house_value", cmap = plt.get_cmap("jet"), colorbar = True,)
plt.legend()
plt.savefig('distribution02.png', dpi=300)#保存图片为pngfrom pandas.plotting import scatter_matrix
attributes = ["median_house_value", "median_income", "total_rooms", "housing_median_age"]
scatter_matrix(housing[attributes], figsize = (12,8))
plt.savefig('correlation.png', dpi=300)#保存图片为png# 计算相关性系数矩阵
correlation_matrix = housing[['median_house_value', 'median_income', 'total_rooms', 'housing_median_age']].corr()
import seaborn as sns
# 设置 seaborn 样式
sns.set(style="white")
# 绘制相关性热力图
plt.figure(figsize=(8, 6))  # 设置图形大小
heatmap = sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', center=0)
plt.subplots_adjust(left=0.2, right=0.9, top=0.9, bottom=0.3)
# 添加标题和标签（可选）
plt.title('Correlation Heatmap')
# 显示图形
# plt.show()
# 保存图形为图片文件
plt.savefig('correlation_heatmap.png', dpi=300)

机器学习预处理-表格数据的分析与可视化

机器学习预处理-表格数据的分析与可视化最近在做一些模型部署的工作，但是发现对于数据的处理、分析、训练方面还是缺少一些系统的学习，因此抽空余时间分析总结一些使用python进行数据处理的实用案例，希望能够方便自己已经其他人的Ctrl CV。…...

编程日记 2025/9/18 23:37:29

if 语句格式：if list; then list; [ elif list; then list; ] ... [ else list; ] fi 单分支 if 条件表达式; then 命令 fi 示例： #!/bin/bash N10 if [ $N -gt 5 ]; then echo yes fi # bash test.sh yes 双分支 if 条件表达式; then 命令 else 命令…...

编程日记 2025/9/18 22:13:52

《深入探究：C++ 在多方面对 C 语言实现的优化》

目录一、C 在 C 上进行的优化二、C 关键字（C 98）三、C 的输入输出1. cin 和 cout 的使用2. cin、cout 和 scanf()、printf() 的区别三、命名空间1. 命名空间的使用2. 嵌套命名空间3. 在多个头文件中使用相同的命名空间四、函数缺省值1. 缺省值的使用2…...

编程日记 2025/9/18 23:36:32

KeepAlive与RouterView缓存

参考 vue动态组件＜Component＞与＜KeepAlive＞ KeepAlive官网介绍缓存之keep-alive的理解和应用 Vue3Vite KeepAlive页面缓存问题 vue多级菜单(路由)导致缓存(keep-alive)失效 vue3 router-view keeperalive对于同一路径但路径…...

编程日记 2025/9/18 23:35:26

pyparsing restOfLine

在 pyparsing 中，restOfLine 是一个解析器（parser），用于匹配当前位置到行尾的所有内容，通常在解析文件或处理逐行数据时非常有用。 restOfLine 的特性匹配内容：从当前位置一直匹配到换行符 \n 或字符串结…...

编程日记 2025/9/18 23:37:28

回型矩阵：JAVA

解题思路： 通过定义四条边界；top,left,right,bottom,来循环，当top>bottom&&left>right的时候循环终止循环结束的条件： 链接：登录—专业IT笔试面试备考平台_牛客网来源：牛客网题目描述…...

编程日记 2025/9/15 12:52:11

React自学：如何使用localStorage，以及如何实现删除笔记操作

1. 初始化notes 以下这段代码完成了这些操作： 调用 localStorage.getItem("notes") 从浏览器的本地存储中获取名为 “notes” 的数据。使用 JSON.parse 将获取到的字符串解析成数组。如果本地存储中没有 “notes” 数据（返回值为 null&#…...

编程日记 2025/9/18 23:36:34

【CSS in Depth 2 精译_079】第 13 章：渐变、阴影与混合模式概述 + 13.1：CSS 渐变效果（上）——使用多个颜色节点

当前内容所在位置（可进入专栏查看其他译好的章节内容） 第四部分视觉增强技术 ✔️【第 13 章渐变、阴影与混合模式】 ✔️ 13.1 渐变 ✔️ 13.1.1 使用多个颜色节点（上） ✔️13.1.2 颜色插值方法（中）13.1…...

编程日记 2025/9/18 13:54:03

汽车供应链 “剧变”开始，“智能感知潜在龙头”诞生

智能汽车产业链“剧变”已经开启，智能感知软硬件能力的权重正在不断被放大。比如满足高阶泊车的第二代AK2超声波传感器、满足人机共驾场景需求的电子外后视镜（CMS）、iTOF 3D成像视觉感知（用于舱内监控）等新产品&…...

编程日记 2025/9/18 6:33:16

3大Excel免费功能

推荐几个免费excel图表绘制工具 Power Map Power Map是Excel的内置功能 Power Map可在Windows用户的Excel 2013或者Excel 2016或者Office 365中使用，如下图，看案例动态地图1 动态地图2...

编程日记 2025/9/18 23:32:40

linux centos 7 安装 mongodb7

MongoDB 是一个基于文档的 NoSQL 数据库。 MongoDB 是一个文档型数据库，数据以类似 JSON 的文档形式存储。 MongoDB 的设计理念是为了应对大数据量、高性能和灵活性需求。 MongoDB使用集合（Collections）来组织文档（Documents&a…...

编程日记 2025/9/18 23:32:40

docker 安装 mongo 命令

## 拉取 MongoDB 镜像docker pull mongo:latest## 挂载文件目录：mkdir -p /usr/local/mongo/configmkdir -p /usr/local/mongo/datamkdir -p /usr/local/mongo/logstouch /usr/local/mongo/config/mongod.confchmod 777 /usr/local/mongo## 配置文件##vim …...

编程日记 2025/9/15 4:32:10

问题记录：CH592 PB6/PB10中断输入，无法从掉电模式唤醒

问题描述： PB6上拉输入，连接按键 PB10上拉输入，连接外部充电芯片状态管脚。不充电时开漏输出，充电时低电平配置PB6和PB10为上拉输入，下降沿触发中断，然后进入掉电模式理论上： PB6按键触发…...

编程日记 2025/9/18 10:26:19

搭建分布式Spark集群

title: 搭建分布式Spark集群 date: 2024-11-29 12:00:00 categories: - 服务器 tags: - Spark - 大数据搭建分布式Spark集群本次实验环境：Centos 7-2009、Hadoop-3.1.4、JDK 8、Zookeeper-3.6.3、scala-2.11.5、Spark-3.2.1 功能规划 MasterSlave1Slave2主节点…...

编程日记 2025/9/18 23:32:39

BTP Integration Suite CPI Apache Camel

官网文档： https://help.sap.com/docs/integration-suite/sap-integration-suite/what-is-sap-integration-suite CPI 云集成(CPI)有以下几个特性： SAP Cloud Integration通过消息交换支持端到端流程集成。它基于Apache软件基金会的开源框架Camel。 …...

编程日记 2025/9/18 23:33:44

Vue-Form-Making：Star5.5k，一款强大的Vue表单设计器,适用于低代码平台、自定义表单

嗨，大家好，我是小华同学，关注我们获得“最新、最全、最优质”开源项目和高效工作学习方法 Vue-Form-Making是一个开源的Vue表单设计器，它允许用户通过拖拽方式快速生成表单，支持多种表单组件和布局。核心功能 1. 拖拽…...

编程日记 2025/9/11 10:40:41

使用 Vite 和 Redux Toolkit 创建 React 项目

文章目录 1. 创建 React 项目2. 安装依赖3. 创建状态仓库user.js创建 shopSlice 4. 在状态仓库中合并切片5. 在入口文件中导入并使用 store6. 获取切片中的数据7. 修改数据结尾在本教程中，我们将通过使用 Vite 创建一个 React 项目，并结合 Redux Toolki…...

编程日记 2025/9/17 12:49:41

jmeter连接mysql

查询mysql数据库版本 SELECT VERSION(); 下载jmeter mysql 驱动jar包，版本低于mysql版本，放在jmeter的lib 路径下 MySQL :: Download MySQL Connector/J (Archived Versions) 添加JDBC Connection Configuration 填写 variable name 及数据库信息注意…...

编程日记 2025/9/18 5:01:08

sql中case when若条件重复执行的顺序

sql case when若条件重复执行的顺序在 SQL 中，如果你在 CASE 表达式中定义了多个 WHEN 子句，并且这些条件有重叠，那么 CASE 表达式的执行顺序遵循以下规则： （1）从上到下：SQL 引擎会按照 CASE …...

编程日记 2025/9/14 19:10:04

代码随想录算法训练营第五十天 | 图 | 并查集

Day 50 总结自己实现中遇到哪些困难今日收获，记录一下自己的学习时间 15:00 - 16:0018:00 - 19:45 图论深度收缩 & 广度搜索 BFS, DFS, visited数组, 四个方向并查集数组代表链表, 用集合中的一个元素代表集合的根最小生成树拓扑排序最短路径算法图论基…...

编程日记 2025/9/18 19:58:23

tryhackme——Pre Security(安检前)-Offensive Security（进攻性安全）

这里我用的edge的插件闪击翻译。这里我英语不好，所以用这个可以顺便学习下英语。任务一：What is Offensive Security?（什么是进攻性安全?） 很简单啊，通过阅读，知道以下哪个选项更能代表您模拟黑客操作…...

编程日记 2025/9/15 1:22:23

vue iframe进行父子页面通信并切换URL

使用通义千问提问后得到一个很好的示例。需求是2个项目需要使用同一个面包屑进行跳转，其中一个是iframe所在的项目，另一个需要通过地址访问。通过 window.parent.postMessage ，帮助 <iframe> 内嵌入的子页面和其父页面之间进行跨域通…...

编程日记 2025/9/17 4:58:49

Cesium 无人机航线规划（区域航线）

区域航线，即划定一片区域一键巡查这里选择点几个点，形成的区域内计算规划航线...

编程日记 2025/9/11 11:15:42

[NOIP2016 普及组] 海港 -STL-队列queue

[NOIP2016 普及组] 海港题目背景 NOIP2016 普及组 T3 题目描述小 K 是一个海港的海关工作人员，每天都有许多船只到达海港，船上通常有很多来自不同国家的乘客。小 K 对这些到达海港的船只非常感兴趣，他按照时间记录下了到达海港的每一…...

编程日记 2025/9/15 14:51:46

前端页面导出word

html-docx-js bug: vite使用html-docx.js会报错，点击下载上方文件替换即可正文 npm install html-docx-js -S npm install file-saver -S<template><div id"managerReport">word内容......</div> </template><script>&l…...

编程日记 2025/9/15 17:22:06

C++中的深拷贝和浅拷贝

浅拷贝浅拷贝：就是简单的赋值操作。浅拷贝问题：如果有指针指向堆区内存时，不同对象的指针成员指向同一块堆区内存，当对象释放时，该堆区内存会被释放两次。当一个对象修改堆区内存是，另一个对象也随之变…...

编程日记 2025/9/16 8:13:14

MobileLLM开发安卓AI的体验（一）

MobileLLM是一个在安卓端跑的大语言模型，关键它还有调动api的能力 https://github.com/facebookresearch/MobileLLM 项目地址是这个。看了下，似乎还是中国人团队 article{liu2024mobilellm, title{MobileLLM: Optimizing Sub-billion Parameter Langua…...

编程日记 2025/9/18 15:45:21

MySQL的并发控制与MVCC机制深度解析

目录 1. MySQL中的并发问题2. 数据库的隔离级别3. MVCC（多版本并发控制）机制3.1 MVCC的实现原理3.2 Read View详解3.3 当前读与快照读 4. MVCC在不同隔离级别下的工作方式5. MVCC解决幻读问题6. MVCC的优缺点优点：缺点： 7. MVCC在…...

编程日记 2025/9/13 20:10:33

搭建Tomcat（六）---Response的实现

目录引入一、前端项目容器的搭建重建项目: 1.创建一个新的项目： 2.创建HTML文件 3.将先前编写的所有tomcatJava文件挪过来二、配置java文件 1.重启一下MyTomcat 2.配置两个工具包 ①FileUtil ②ResponseUtil（响应头） 三、处理…...

编程日记 2025/9/14 5:05:30

深度学习物体检测之YOLOV5源码解读

V5比前面版本偏工程化,项目化,更贴合实战一.V5版本项目配置 (1)整体项目概述首先github直接查找yolov5，下载下来即可。在训练时，数据是怎么处理的？网络模型架构是怎么设计的(如各层的设计)？yolov5要求是大于python3.8与大于等…...

编程日记 2025/9/18 18:54:42

Ubuntu22.04配置3D gaussian splatting

这篇博客提供了3D gaussian splatting在新安装Ubuntu上的配置过程。 1.拉仓库 2.安装显卡驱动和cuda版本 3.安装Pytorch 4.安装Pycharm和配置Python 5.安装附加依赖项（方法一） 6.安装Anaconda（方法二） 7.测试 1.拉仓库 # HT…...

编程日记 2025/9/15 22:58:14

【Python知识】python基础-关于异常处理

python的异常处理知识概览基本用法自定义异常捕获特定异常信息异常抛出概览在Python中，异常处理是通过try、except和finally等关键字来实现的。这些关键字允许你捕获和处理在程序运行时可能出现的错误和异常情况，从而避免程序崩溃，并允许…...

编程日记 2025/9/18 20:28:09

golang 使用gzip对json例子

package main import ( "bytes" "compress/gzip" "encoding/json" "fmt" "io" "log" ) // User 结构体定义 type User struct { ID int json:"id" Name string json:"name" Age in…...

编程日记 2025/9/10 13:11:54

qt-C++笔记之自定义类继承自 `QObject` 与 `QWidget` 及开发方式详解

qt-C笔记之自定义类继承自 QObject 与 QWidget 及开发方式详解 code review! 参考笔记 1.qt-C笔记之父类窗口、父类控件、对象树的关系 2.qt-C笔记之继承自 QWidget和继承自QObject 并通过 getWidget() 显示窗口或控件时的区别和原理 3.qt-C笔记之自定义类继承自 QObject 与 QW…...

编程日记 2025/9/11 10:46:20

利用git上传项目到GitHub

GitHub是基于git实现的代码托管。git是目前最好用的版本控制系统了，非常受欢迎，比之svn更好。 GitHub可以免费使用，并且快速稳定。利用GitHub，你可以将项目存档，与其他人分享交流，并让其他开发者帮助你一…...

编程日记 2025/9/17 23:48:10

机器学习预处理-表格数据的空值处理

机器学习预处理-表格数据的空值处理机器学习预处理-表格数据的分析与可视化中详细介绍了表格数据的python可视化，可视化能够帮助我们了解数据的构成和分布，是我们进行机器学习的必备步骤。上文中也提及，原始的数据存在部分的缺失&#xff0…...

编程日记 2025/9/11 7:44:10

python学opencv|读取图像（十二）BGR图像转HSV图像

【1】引言前述已经学习了opencv中图像BGR相关知识，文章链接包括且不限于下述： python学opencv|读取图像（六）读取图像像素RGB值_opencv读取灰度图-CSDN博客 python学opencv|读取图像（七）抓取像素数据顺利…...

编程日记 2025/9/11 8:24:01

【C语言】库函数常见的陷阱与缺陷(六)：输入输出函数

目录一、printf 函数 1.1. 功能与用法 1.2. 陷阱与缺陷 1.3. 安全使用建议 1.4. 代码示例二、scanf 函数 2.1. 功能与用法 2.2. 陷阱与缺陷 2.3. 安全使用建议 2.4. 代码示例三、gets 函数 3.1. 功能与用法 3.2. 陷阱与缺陷 3.3. 安全使用建议 3.4. 代码示例…...

编程日记 2025/9/18 11:56:46

sunset: midnight

https://www.vulnhub.com/entry/sunset-midnight,517/ 主机发现端口扫描探测存活主机，8是靶机 nmap -sP 192.168.56.0/24 Starting Nmap 7.94SVN ( https://nmap.org ) at 2024-12-05 16:49 CST Nmap scan report for 192.168.56.1 …...

编程日记 2025/9/11 11:44:51

CSS Backgrounds(背景)

CSS Backgrounds(背景) Introduction(介绍) CSS backgrounds play a crucial role in web design, allowing developers to apply colors, images, and other decorative elements to the background of HTML elements. This enhances the visual appeal of web pages and he…...

编程日记 2025/9/18 3:07:47

机器学习预处理-表格数据的分析与可视化

目录

1、数据下载

2、数据查看

2.1、查看表格数据头和数据案例

2.2、总体查看数据大小、数据类型和空缺情况

2.3、查看数值属性列的均值、最小最大值等信息

2.4、绘制每列数据的分布情况

2.5、绘制多维数据关系

2.6、绘制两两间互相关关系图

2.7、绘制相关性系数热力图

3、代码

3.1、01LoadDataSet.py

3.2、02DataView.py

相关文章：