import pandas as pd from sklearn.ensemble import RandomForestRegressor # 读取数据集 wine_data = pd.read_csv('wine_data.csv') # 将数据集按照价格是否缺失分为两个部分 known_price = wine_data[wine_data.price.notnull()] unknown_price = wine_data[wine_data.price.isnull()] # 特征工程，得到新的数据集 x = known_price.iloc[:, 1:] y = known_price.iloc[:, 0] rf = RandomForestRegressor(n_estimators=200, random_state=0) rf.fit(x, y) predicted_price = rf.predict(unknown_price.iloc[:, 1:]) # 将预测得到的价格值填充到原来的数据集中 wine_data.loc[wine_data.price.isnull(), 'price'] = predicted_price

这段代码实现了使用随机森林算法进行价格缺失值填充的过程。具体来说，它将数据集按照价格是否缺失分为两个部分，分别是价格不缺失和价格缺失的数据集。对于价格不缺失的数据集，它进行了特征工程，得到一个新的数据集。对于价格缺失的数据集，也进行了特征工程，但是这个新的数据集中不包含价格这一列。然后，它使用随机森林算法对新的数据集进行训练，得到一个模型。接着，对于价格缺失的数据集，使用训练好的模型进行预测，得到缺失的价格值。最后，将预测得到的价格值填充到原来的数据集中。

需要注意的是，这段代码中使用了Pandas和Scikit-learn库，需要先安装这两个库才能运行。此外，对于随机森林算法的参数，可以根据实际情况进行调整。