匹马印第安糖尿病Python数据预处理

"匹马印第安糖尿病（Pima Indians Diabetes）" 数据集是一个常用的机器学习数据集，用于预测美国印第安人妇女是否患有糖尿病。它是基于真实世界医疗记录，包含多个特征如年龄、体重、血压等以及诊断结果。

在 Python 中对这个数据集进行预处理，通常包括以下几个步骤：

1. **加载数据**：使用 pandas 库中的 `read_csv` 函数加载 CSV 文件。

import pandas as pd
data = pd.read_csv('pima-indians-diabetes.csv')

2. **查看数据**：检查数据的基本信息，了解各列的数据类型和缺失值情况。

data.head(), data.info()

3. **数据清洗**：处理缺失值，可能选择删除含有缺失值的行或填充缺失值（例如用均值、中位数、众数填充数值型缺失值，使用模式填充类别型缺失值）。

data.dropna() 或 data.fillna(data.mean())

4. **数据转换**：将分类变量（如果有）编码为数值形式，比如 One-Hot 编码或 LabelEncoder。

pd.get_dummies(data, columns=['pregnancies', 'glucose', 'blood_pressure', 'skin_thickness', 'insulin', 'BMI', 'diabetes_pedigree_function', 'age'])

5. **特征缩放**：如果特征量级差异大，可能需要进行标准化或归一化，如 MinMaxScaler 或 StandardScaler。

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
data_scaled = scaler.fit_transform(data)

6. **拆分数据**：将数据划分为训练集和测试集，以便后续模型训练和评估。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(data_scaled, data['Outcome'], test_size=0.2, random_state=42)

7. **数据划分**：最后创建数据集对象供模型使用，比如 Scikit-Learn 的 `DataFrameDataset` 或 `numpy` 数组。

完成这些操作后，数据就准备好用于训练和构建预测模型了。相关问题如下：