dataframe 怎么训练GBDT 模型并保存文件

首先需要将数据集转换成GBDT所需要的格式，可以使用LightGBM或XGBoost等库进行转换。具体步骤如下：

1. 加载数据集，将数据集划分为训练集和测试集。

2. 将数据集转换成GBDT所需要的格式，通常为libsvm格式或者numpy数组格式。

3. 使用GBDT库进行模型训练，设置好超参数、评估指标等。

4. 完成模型训练后，可以保存模型文件，以便后续使用。可以使用pickle库将模型保存为二进制文件，也可以使用joblib库将模型保存为磁盘文件。

示例代码：

import pandas as pd
import lightgbm as lgb
import pickle

# 加载数据集
df_train = pd.read_csv('train.csv')
df_test = pd.read_csv('test.csv')

# 划分训练集和测试集
X_train, y_train = df_train.drop('label', axis=1), df_train['label']
X_test, y_test = df_test.drop('label', axis=1), df_test['label']

# 将数据集转换为libsvm格式
train_data = lgb.Dataset(X_train, label=y_train)
test_data = lgb.Dataset(X_test, label=y_test)

# 设置超参数
params = {
    'boosting_type': 'gbdt',
    'objective': 'multiclass',
    'num_class': 10,
    'metric': 'multi_logloss',
    'num_leaves': 31,
    'learning_rate': 0.05,
    'feature_fraction': 0.9,
    'bagging_fraction': 0.8,
    'bagging_freq': 5,
    'verbose': 0
}

# 模型训练
gbm = lgb.train(params, train_data, num_boost_round=100, valid_sets=[test_data], early_stopping_rounds=10)

# 保存模型文件
with open('model.pkl', 'wb') as f:
    pickle.dump(gbm, f)

以上代码以LightGBM为例，将数据集转换为libsvm格式，并使用GBDT训练模型，最后将模型保存为二进制文件。