机器学习实验 数据清洗2.获取数据，整体去重; 3.整体查看数据类型以及缺失情况; 4.删除缺失率过高的变量; 5.删除不需要入模的变量; 6.删除文本型变量，有缺失值行; 7.修复变量类型; 8.变量数据处理方式划分; 9.训练集测试集划分; 10.拼接数据处理流水线.

感谢您的提问！以下是我的回答：

1. 您的问题是机器学习实验中数据清洗的步骤，请问有什么具体的问题需要我解答吗？

2. 获取数据后，需要进行整体去重，确保数据集中不存在重复的记录。

3. 对于整体查看数据类型以及缺失情况，可以使用 pandas 库中的 info() 方法，可以查看数据集中每个变量的数据类型以及缺失值的情况。

4. 删除缺失率过高的变量，可以根据具体情况进行处理，通常会将缺失率超过某个阈值的变量删除。

5. 删除不需要入模的变量，可以根据业务需求进行处理，通常会删除与目标变量相关性较低的变量。

6. 删除文本型变量，有缺失值行，可以根据具体情况进行处理，通常会删除缺失值较多的文本型变量。

7. 修复变量类型，可以使用 pandas 库中的 astype() 方法，将变量的数据类型进行转换。

8. 变量数据处理方式划分，可以根据不同变量的特点，选择合适的数据处理方式，如数值型变量可以进行标准化或归一化处理，类别型变量可以进行独热编码处理等。

9. 训练集测试集划分，可以使用 sklearn 库中的 train_test_split() 方法，将数据集划分为训练集和测试集，通常比例为 7:3 或 8:2。

10. 拼接数据处理流水线，将以上步骤整合成一个数据处理流水线，可以使用 sklearn.pipeline 中的 Pipeline 类进行实现。

希望以上回答能够帮助到您，如有其他问题，欢迎继续提问！