数据清洗 缺失值处理：处理labor.txt中的属性缺失值。 针对数值型属性使用与给定元组属同一类的所有样本的属性均值或中位数填充； 针对标称型属性使用与给定元组属同一类的所有样本的属性值最多的填充。 处理后的数据保存为labor_qs.txt

数据清洗是数据分析过程中的一项重要步骤，特别是在处理缺失值时。对于`labor.txt`文件中的属性缺失值，你可以按照以下步骤进行处理：

1. **加载数据**：
首先，你需要读取`labor.txt`文件的数据。这通常可以通过`pandas`库的`read_csv`或`read_table`函数来完成，假设文件是以逗号分隔的（`.csv`）：

   import pandas as pd
   labor_data = pd.read_csv('labor.txt', delimiter=',')

2. **检查缺失值**：
使用`isnull()`方法检查数据集中是否存在缺失值：

   missing_values = labor_data.isnull().sum()

3. **处理数值型属性**：
对于数值型属性，可以选择用均值或中位数填充缺失值。如果你确定要使用均值填充，可以用`fillna()`方法：

   for column in labor_data.select_dtypes(include='number'):
       mean_value = labor_data[column].mean() # 或者中位数 median()
       labor_data[column] = labor_data[column].fillna(mean_value)

4. **处理标称型属性**：
对于标称型属性（分类变量），通常使用众数（出现次数最多的数据）来填充缺失值：

   for column in labor_data.select_dtypes(include='object'):
       mode_value = labor_data[column].mode().iloc[0]  # 如果有多个模式，则选择第一个
       labor_data[column] = labor_data[column].fillna(mode_value)

5. **保存处理后的数据**：
将清洗后的数据保存到新的文件`labor_qs.txt`：

   labor_data.to_csv('labor_qs.txt', index=False, sep=',')  # 注意调整sep参数，如果文件不是逗号分隔，可能需要其他字符

完成后，`labor_qs.txt`文件就包含了原始数据集`labor.txt`中缺失值被适当填充后的数据。