使用红酒品鉴等级预测1.csv，红酒品鉴等级预测2.csv，写出 加载数据 、 删除冗余特征 、 拼接数据 、查看数据样式 、查看数据形状、样本数量 、查看缺失值大概情况 、查看数据统计特征，逐列处理：重复值、缺失值、异常值 ， 将“alcohol”、“malic_acid”统一格式，要求代码有以下条件 ， 以下需求尽量绘图展示 ， 统计不同类型红酒的最大、最小、平均的酒精度数“alcohol” ， 将“hue”进行手动分组，保证每组的样本数量基本一致，分别用”高“、”中“、”低“表示，统计不同”hue“下的红酒类型 ， 对“proanthocyanins”进行分组，探究不同“proanthocyanins”下，不同“hue”对红酒类型的影响的python代码

好的，我会逐一回答您的问题。首先，我们需要先加载数据。假设数据文件名为“wine.csv”，代码如下：

import pandas as pd

df1 = pd.read_csv("红酒品鉴等级预测1.csv")
df2 = pd.read_csv("红酒品鉴等级预测2.csv")

接下来，我们需要删除冗余特征。可以使用 pandas 的 drop 函数来删除特定列。假设我们需要删除“id”这一列，代码如下：

df1.drop("id", axis=1, inplace=True)
df2.drop("id", axis=1, inplace=True)

然后，我们可以将两个数据集拼接在一起。使用 pandas 的 concat 函数即可。代码如下：

df = pd.concat([df1, df2], ignore_index=True)

接下来，我们可以查看数据的样式和形状。可以使用 pandas 的 head 和 shape 函数，代码如下：

print(df.head())
print(df.shape)

我们还需要查看缺失值的情况。可以使用 pandas 的 isnull 和 sum 函数，代码如下：

print(df.isnull().sum())

接下来，我们需要查看数据的统计特征。可以使用 pandas 的 describe 函数，代码如下：

print(df.describe())

接下来，我们需要处理重复值、缺失值和异常值。可以使用 pandas 的 drop_duplicates 函数来去除重复值，使用 fillna 函数来填充缺失值，使用 clip 函数来处理异常值。代码如下：

df.drop_duplicates(inplace=True)
df.fillna(df.mean(), inplace=True)
df = df.clip(lower=df.quantile(0.01), upper=df.quantile(0.99), axis=1)

接下来，我们需要将“alcohol”和“malic_acid”统一格式。可以将它们都乘以 10，代码如下：

df["alcohol"] *= 10
df["malic_acid"] *= 10

接下来，我们需要统计不同类型红酒的最大、最小、平均的酒精度数“alcohol”。可以使用 pandas 的 groupby 和 agg 函数，代码如下：

alcohol_stats = df.groupby("wine_type")["alcohol"].agg(["max", "min", "mean"])
print(alcohol_stats)

接下来，我们需要将“hue”进行手动分组，并用“高”、“中”、“低”表示。可以使用 pandas 的 cut 函数，代码如下：

bins = [0, 0.5, 0.75, 1]
labels = ["低", "中", "高"]
df["hue_group"] = pd.cut(df["hue"], bins=bins, labels=labels)

最后，我们需要对“proanthocyanins”进行分组，探究不同“proanthocyanins”下，不同“hue”对红酒类型的影响。可以使用 pandas 的 pivot_table 函数，代码如下：

df["proanthocyanins_group"] = pd.cut(df["proanthocyanins"], bins=5)
table = pd.pivot_table(df, values="wine_type", index="proanthocyanins_group", columns="hue_group", aggfunc=len)
print(table)