英雄联盟排位比赛数据处理和特征工程1）数据样本的写入及对应数据信息的探索 2）数据预处理（比如：填补缺失值、归一化、数据类型转换或编码） 3）按过滤法对数据进行特征选择，挑选出最优特征数 4）对两类数据用PCA算法降到２维后，进行可视化展示。 5）对完整数据进PCA降维，用碎石图选择合适的降维后特征范围。 6）在一个图中绘制不同特征数对应KNN和RFC准确率效果折线对比图。 5) 给出数据特征处理前后以及PCA降维后交叉验证法得出KNN和随机森林RFC算法模型效果

1）数据样本的写入及对应数据信息的探索：

首先需要将数据样本写入程序中，并对数据进行探索。可以使用 Pandas 库中的 read_csv() 函数读取 CSV 文件，并使用 head() 函数查看前几行数据，使用 describe() 函数查看数据的基本统计信息，例如均值、标准差、最大值、最小值等。

2）数据预处理：

数据预处理包括填补缺失值、归一化、数据类型转换或编码等。可以使用 Pandas 库中的 fillna() 函数填补缺失值，使用 MinMaxScaler() 函数进行归一化，使用 LabelEncoder() 或 OneHotEncoder() 函数进行数据类型转换或编码等。

3）按过滤法对数据进行特征选择，挑选出最优特征数：

可以使用 Sklearn 库中的 SelectKBest() 函数按照特征和目标变量之间的关系进行筛选，挑选出最优特征数。

4）对两类数据用PCA算法降到２维后，进行可视化展示：

可以使用 Sklearn 库中的 PCA() 函数对数据进行降维，将数据降到二维后，使用 Matplotlib 库进行可视化展示。

5）对完整数据进PCA降维，用碎石图选择合适的降维后特征范围：

可以使用 Sklearn 库中的 PCA() 函数对数据进行降维，并使用碎石图（Scree plot）选择合适的降维后特征范围。

6）在一个图中绘制不同特征数对应KNN和RFC准确率效果折线对比图：

可以使用 Sklearn 库中的 KNN 和 RFC 算法对数据进行分类，并分别绘制不同特征数对应的准确率效果折线对比图。

7）给出数据特征处理前后以及PCA降维后交叉验证法得出KNN和随机森林RFC算法模型效果：

可以使用 Sklearn 库中的交叉验证函数对处理前后的数据以及PCA降维后的数据进行 KNN 和 RFC 算法模型训练和评估，并给出模型效果的评估指标，例如准确率、精度、召回率、F1 值等。