处理Titanic Data Set数据及处理数据的缺失值（使用两种方式处理数据的缺失值），对数值型数据进行规范化

好的，我明白了。对于 Titanic 数据集，处理缺失值的两种常见方式是删除包含缺失值的行或列，或者使用均值、中位数、众数等填充缺失值。下面是使用 Python 和 Pandas 库进行数据处理的示例代码：

import pandas as pd
from sklearn.preprocessing import StandardScaler

# 读取数据集
df = pd.read_csv('titanic.csv')

# 删除包含缺失值的行
df = df.dropna()

# 或者使用均值填充缺失值（以 Age 列为例）
df['Age'] = df['Age'].fillna(df['Age'].mean())

# 对数值型数据进行规范化（以 Age 和 Fare 列为例）
scaler = StandardScaler()
df[['Age', 'Fare']] = scaler.fit_transform(df[['Age', 'Fare']])

其中，`dropna()` 方法会删除包含缺失值的行或列，默认是删除行，可以通过 `axis` 参数指定删除列。`fillna()` 方法可以使用指定的值填充缺失值，也可以使用均值、中位数、众数等填充。对数值型数据进行规范化可以使用 `StandardScaler` 类，它可以将数据缩放到均值为 0、标准差为 1 的分布。