对 labor 数据集的所有属性列（不包括类别标签列）进行缺失 值填充，对数值型属性采用平均值进行填充；对非数值型属性采用众数进 行填充。

好的，对于这个任务，我们可以按照以下步骤进行：

1. 导入需要的库，读取数据集。

import pandas as pd
import numpy as np
from sklearn.impute import SimpleImputer

data = pd.read_csv('labor.csv')

2. 确定需要填充的属性列及其类型。

numeric_cols = ['wage', 'age']
categorical_cols = ['education', 'race', 'hispanic', 'sex', 'union', 'region', 'jobclass', 'health', 'health_ins']

3. 对数值型属性采用平均值进行填充。

numeric_imputer = SimpleImputer(missing_values=np.nan, strategy='mean')
data[numeric_cols] = numeric_imputer.fit_transform(data[numeric_cols])

4. 对非数值型属性采用众数进行填充。

categorical_imputer = SimpleImputer(missing_values=np.nan, strategy='most_frequent')
data[categorical_cols] = categorical_imputer.fit_transform(data[categorical_cols])

5. 检查数据集是否还存在缺失值。

data.isnull().sum()

完整代码如下：

import pandas as pd
import numpy as np
from sklearn.impute import SimpleImputer

data = pd.read_csv('labor.csv')

numeric_cols = ['wage', 'age']
categorical_cols = ['education', 'race', 'hispanic', 'sex', 'union', 'region', 'jobclass', 'health', 'health_ins']

numeric_imputer = SimpleImputer(missing_values=np.nan, strategy='mean')
data[numeric_cols] = numeric_imputer.fit_transform(data[numeric_cols])

categorical_imputer = SimpleImputer(missing_values=np.nan, strategy='most_frequent')
data[categorical_cols] = categorical_imputer.fit_transform(data[categorical_cols])

data.isnull().sum()