使用python将df中所有的“unknown”值删除，再用随机森林对缺失值进行插补

下面是一份代码，可以实现你的需求：

import pandas as pd
from sklearn.ensemble import RandomForestRegressor

# 读取数据
df = pd.read_csv("your_data.csv")

# 将"unknown"值删除
df = df[df != "unknown"]

# 将缺失值用随机森林进行插补
def fill_null_with_rf(df, col):
    # 将数据分成已知值和未知值
    known = df[df[col].notnull()]
    unknown = df[df[col].isnull()]

    # 训练随机森林模型
    rfr = RandomForestRegressor(n_estimators=100, random_state=0, n_jobs=-1)
    rfr.fit(known.iloc[:, :-1], known.iloc[:, -1])

    # 预测缺失值
    pred = rfr.predict(unknown.iloc[:, :-1])

    # 将预测值填充回原数据
    df.loc[df[col].isnull(), col] = pred

# 对每个属性进行插补
for col in df.columns:
    fill_null_with_rf(df, col)

这份代码首先读取了一个名为"your_data.csv"的数据文件，并将其中所有值为"unknown"的数据删除。然后，定义了一个函数`fill_null_with_rf`，用于对数据中的一个属性进行缺失值插补，具体实现是用已知值训练一个随机森林模型，然后用模型预测缺失值。最后，对数据中的每个属性都调用了`fill_null_with_rf`函数进行插补。