写一段将同时存在int、float以及str类型数据的df的缺失值用随机森林进行插补的代码

下面是一个将同时存在 int、float 和 str 类型数据的 DataFrame 中的缺失值用随机森林进行插补的示例代码：

import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.impute import SimpleImputer
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline

# 读取数据
df = pd.read_csv("data.csv")

# 将数据集拆分为特征和目标变量
X = df.drop("target", axis=1)
y = df["target"]

# 构建预处理流水线
numeric_transformer = Pipeline(steps=[
    ("imputer", SimpleImputer(strategy="median"))
])

categorical_transformer = Pipeline(steps=[
    ("imputer", SimpleImputer(strategy="most_frequent"))
])

preprocessor = ColumnTransformer(transformers=[
    ("num", numeric_transformer, X.select_dtypes(include=["int", "float"]).columns),
    ("cat", categorical_transformer, X.select_dtypes(include=["object"]).columns)
])

# 构建随机森林回归模型
model = RandomForestRegressor()

# 构建完整的流水线
pipeline = Pipeline(steps=[
    ("preprocessor", preprocessor),
    ("model", model)
])

# 训练模型
pipeline.fit(X, y)

# 插补缺失值
X_imputed = pipeline.predict(X)

# 将插补后的数据合并为 DataFrame
df_imputed = pd.concat([pd.DataFrame(X_imputed, columns=X.columns), y], axis=1)

# 查看插补后的数据
print(df_imputed)

在这个示例代码中，我们首先使用 Pandas 读取了一个同时包含 int、float 和 str 类型数据的 DataFrame，并将其拆分为特征和目标变量。

接着，我们使用 `SimpleImputer` 类来进行缺失值插补，其中对于数值型特征使用中位数进行插补，对于字符串型特征使用众数进行插补，并将这两个插补器封装到 `ColumnTransformer` 中，以便将其应用到正确的特征上。

然后，我们使用 `RandomForestRegressor` 类构建了一个随机森林回归模型，并将其与预处理流水线一起封装到一个总的流水线中。

最后，我们使用构建好的流水线对原始数据进行拟合，并使用训练好的模型对缺失值进行插补。插补后，我们将插补后的特征和原始目标变量合并为一个新的 DataFrame，并打印出来。