作业要求： 1、完成数据集读取； 2、数据预处理（删除缺失值）； 3、onehot编码； （1）onehot特征列 （2）构建独热编码器 （3）训练独热编码器，得到转换规则 （4）独热数据转换 （5）构建数值特征列 （6）合并独热特征与数值特征 4、构建逻辑回归模型并训练； 5、完成K折交叉检验 6、完成模型预测。

好的，这是一个典型的机器学习流程，以下是一些具体的实现步骤：

1. 数据集读取：使用pandas库的read_csv函数读取csv格式的数据集文件。

import pandas as pd
data = pd.read_csv('data.csv')

2. 数据预处理：删除缺失值。

data.dropna(inplace=True)

3. onehot编码：

（1）onehot特征列：选择需要进行onehot编码的特征列。

categorical_columns = ['column1', 'column2', ...]

（2）构建独热编码器：使用sklearn库的OneHotEncoder类构建独热编码器

from sklearn.preprocessing import OneHotEncoder
encoder = OneHotEncoder(handle_unknown='ignore')

（3）训练独热编码器，得到转换规则：使用独热编码器的fit方法对需要进行编码的数据进行训练，得到转换规则。

encoder.fit(data[categorical_columns])

（4）独热数据转换：使用独热编码器的transform方法对需要进行编码的数据进行转换。

onehot_data = encoder.transform(data[categorical_columns]).toarray()

（5）构建数值特征列：选择需要作为数值特征的列。

numerical_columns = ['column3', 'column4', ...]

4. 合并独热特征与数值特征：使用numpy库的concatenate函数将独热编码后的数据和数值特征合并。

import numpy as np
X = np.concatenate([onehot_data, data[numerical_columns]], axis=1)

5. 构建逻辑回归模型并训练：使用sklearn库的LogisticRegression类构建逻辑回归模型，使用fit方法对数据进行训练。

from sklearn.linear_model import LogisticRegression
y = data['label']
model = LogisticRegression()
model.fit(X, y)

6. 完成K折交叉检验：使用sklearn库的cross_val_score函数进行K折交叉检验。

from sklearn.model_selection import cross_val_score
scores = cross_val_score(model, X, y, cv=5)
print('Accuracy:', scores.mean())

7. 完成模型预测：使用sklearn库的predict方法对新的数据进行预测。

new_data = pd.read_csv('new_data.csv')
new_onehot_data = encoder.transform(new_data[categorical_columns]).toarray()
new_X = np.concatenate([new_onehot_data, new_data[numerical_columns]], axis=1)
predictions = model.predict(new_X)