对pima数据集进行数据预处理

Pima数据集是一个二分类问题，包含了768个样本，每个样本有8个特征和1个标签。在进行数据预处理之前，需要先导入数据集并查看数据的基本信息。

import pandas as pd
import numpy as np

# 导入数据集
data = pd.read_csv('pima.csv')

# 查看数据基本信息
print(data.info())

数据基本信息如下：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 768 entries, 0 to 767
Data columns (total 9 columns):
 #   Column                     Non-Null Count  Dtype  
---  ------                     --------------  -----  
 0   Pregnancies                768 non-null    int64  
 1   Glucose                    768 non-null    int64  
 2   BloodPressure              768 non-null    int64  
 3   SkinThickness              768 non-null    int64  
 4   Insulin                    768 non-null    int64  
 5   BMI                        768 non-null    float64
 6   DiabetesPedigreeFunction   768 non-null    float64
 7   Age                        768 non-null    int64  
 8   Outcome                    768 non-null    int64  
dtypes: float64(2), int64(7)
memory usage: 54.1 KB
None

从数据信息中可以看出，数据集中的每个特征都没有缺失值，因此不需要进行缺失值填充。

接下来，我们需要对数据进行标准化处理和特征选择。

标准化处理：

from sklearn.preprocessing import StandardScaler

# 定义特征和标签
X = data.iloc[:, :-1]
y = data.iloc[:, -1]

# 标准化处理
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 将标准化后的数据转换为DataFrame类型
X_scaled = pd.DataFrame(X_scaled, columns=X.columns)

特征选择：

from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2

# 特征选择
selector = SelectKBest(chi2, k=4)
X_new = selector.fit_transform(X_scaled, y)

# 选择后的特征
features = X.columns[selector.get_support()]
print(features)

根据卡方检验的结果，我们选择了4个特征进行建模，这些特征分别是 Glucose、Insulin、BMI 和 Age。

最后，我们将处理后的数据集和标签整合在一起，并将其划分为训练集和测试集。

from sklearn.model_selection import train_test_split

# 将选择后的特征和标签整合在一起
data_selected = pd.concat([X_new, y], axis=1)

# 划分训练集和测试集
train, test = train_test_split(data_selected, test_size=0.2, random_state=42)