dataset.iloc

dataset.iloc是用于根据标签或位置选取数据集中的行和列的方法。它可以根据具体的标签或位置从0开始计数来选择数据。例如，使用dataset.iloc[行，列]可以选择具体的行或列，使用dataset.iloc[：]可以选择整行或整列。使用dataset.iloc[0:2]可以选择第0行到第二行（不包括第二行）。

如果想要选择特定的行或列，可以使用dataset.iloc[行号]来选择具体的行，例如dataset.iloc选择第一行，dataset.iloc[-1]选择最后一行。类似地，可以使用dataset.iloc[:,列号]来选择具体的列，例如dataset.iloc[:,0]选择第一列，dataset.iloc[:,-1]选择最后一列。

另外，还可以同时选择多行多列。例如，使用dataset.iloc[0:5]可以选择前五行，使用dataset.iloc[:, 0:2]可以选择前两列。还可以使用dataset.iloc[[0,3,6,24], [0,5,6]]选择特定的行和列，使用dataset.iloc[0:5, 5:8]选择前五行和第六、七、八列。

同时，对于处理丢失的数据，可以使用库中的SimpleImputer类进行处理。例如，使用imputer = SimpleImputer(missing_values=np.nan, strategy="mean")来进行平均值填充，然后使用imputer.transform(X[:, 1:3])将填充后的数据应用到具体的列中。

当然，在使用dataset.iloc方法之前，我们需要先导入数据集，并将数据集中的值分配给X和Y变量。例如，使用pd.read_csv('Data.csv')将数据集读取为DataFrame对象，然后使用X = dataset.iloc[ : , :-1].values选择除最后一列之外的所有列作为特征矩阵，使用Y = dataset.iloc[ : , 3].values选择最后一列作为目标向量。

最后，为了进行测试和训练，可以使用train_test_split方法从sklearn.model_selection中导入。将特征矩阵和目标向量作为参数传递给该方法，设置test_size参数来指定测试集的大小，然后将返回的结果分配给相应的变量，如x_train，x_test，y_train，y_test。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *2* [【机器学习100天】Day1-数据预处理](https://blog.csdn.net/qq_45040086/article/details/124561211)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
- *3* [Simple_Linear_Regression:统计方法，使我们能够研究两个连续（定量）变量之间的关系](https://download.csdn.net/download/weixin_42125770/15865617)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]