导入数据后用随机森林10折交叉验证，最优超参数获得预测准确性python

以下是一个示例代码，其中使用sklearn库中的RandomForestClassifier和GridSearchCV来执行随机森林10折交叉验证，并得到最优超参数和预测准确性。

import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV

# 读取数据
data = pd.read_csv('data.csv')

# 分离特征和标签
X = data.drop('label', axis=1)
y = data['label']

# 定义随机森林分类器
rfc = RandomForestClassifier()

# 定义超参数搜索范围
param_grid = {
    'n_estimators': [50, 100, 200],
    'max_depth': [3, 5, 7]
}

# 执行网格搜索交叉验证
grid = GridSearchCV(estimator=rfc, param_grid=param_grid, cv=10)
grid.fit(X, y)

# 输出最优超参数和预测准确性
print('Best parameters:', grid.best_params_)
print('Accuracy:', grid.best_score_)

在上面的代码中，我们首先读取了数据，然后分离出特征和标签。接着定义了一个随机森林分类器，并定义了超参数搜索范围。然后我们使用GridSearchCV执行网格搜索交叉验证，并输出最优超参数和预测准确性。

注意，这只是一个示例代码，实际应用中需要根据具体情况进行调整。