GitHub: https://github.com/bibhutighimire/Dat...
Google Collab: https://colab.research.google.com/dri...
Data Preprocessing in Machine Learning using Python 2023
#SimpleImputer #OneHotEncoder #train_test_split #StandardScaler #LabelEncoder
Website: https://www.javatpoint.com/how-to-get...
//Import Library:
import pandas as pd
import numpy as np
//Import Dataset:
dataset = pd.read_csv('Data.csv')
print(dataset)
//Split dataset into X and y i.e. independent and dependent model
X = dataset.iloc[:,:-1].values
print(X)
y = dataset.iloc[:,-1].values
print(y)
//Handling missing data:
from sklearn.impute import SimpleImputer
si = SimpleImputer(missing_values= np.nan , strategy='mean')
si.fit(X[:,1:3])
X[:, 1:3] = si.transform(X[:,1:3])
print(X)
//Encoding categorical data:
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder
ct = ColumnTransformer(transformers=[('encoder', OneHotEncoder(), [0])] , remainder= 'passthrough')
X = ct.fit_transform(X)
print(X)
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
y = le.fit_transform(y)
print(y)
//Splitting data into training and testing model:
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)
print(X_train)
print(y_train)
print(y_test)
print(X_test)
//Feature Scaling:
from sklearn.preprocessing import StandardScaler
ss = StandardScaler()
X_train[:,3:5] = ss.fit_transform(X_train[:,3:5])
X_test[:,3:5] = ss.transform(X_test[:,3:5])
print(X_train)
print(X_test)
Auf dieser Seite können Sie das Online-Video Data Preprocessing in Machine Learning using Python - SimpleImputer, OneHotEncoder, train_test_split mit der Dauer stunde minuten sekunde in guter Qualität ansehen, das der Benutzer Bibhuti Ghimire 19 April 2023 hochgeladen hat, den Link mit Freunden und Bekannten teilen, dieses Video wurde auf Youtube bereits 141 Mal angesehen und es wurde von 3 den Zuschauern gefallen. Viel Spaß beim Betrachtenden Zuschauern gefallen!