一、使用sklearn ⭐️

要使用 sklearn（Scikit-Learn），你需要先 安装 scikit-learn 库。

1、pip安装

pip install scikit-learn

如果希望升级，则：

pip install --upgrade scikit-learn

2、Anaconda安装

conda install scikit-learn

或使用 conda-forge：

conda install -c conda-forge scikit-learn

3、若pip 是 Python3 对应的 pip3

pip3 install scikit-learn

二、检测 .csv 文件的编码 ⭐️

• 如果不检测编码直接读：👇🏻
  • 会乱码 🧵
  • 列名可能变成奇怪字符 👹
  • 数值可能读不出来 🍉
• 因此第一步必须判断编码，然后正确读取。😊

常见编码包括：🦋

• UTF-8（最普遍）❀
• Big5（台湾繁体中文常用）❀
• CP950（Windows Big5）❀
• GBK / GB2312（简体中文常用）❀

import chardet
# 导入 chardet 库，用于自动检测文件编码格式

with open("train.csv", "rb") as f:
    raw_data = f.read(200000)         # 以二进制方式读取文件，读取前 200KB 数据用于判断编码（越多越准确）
    result = chardet.detect(raw_data) # 使用 chardet.detect() 自动推断编码类型和置信度

print(result)                         # 打印检测出的编码结果（包含编码名、置信度等）

输出示例： 👇🏻

{'encoding': 'utf-8', 'confidence': 0.99, 'language': ''}

三、读取 .csv 文件 ⭐️

最常用的方法就是使用 pandas 的 read_csv()。

import pandas as pd # 导入 pandas 库，用于读取 CSV、数据分析等操作

# 从当前目录读取 data.csv 文件，并将其内容存入 DataFrame（df）对象
# 🍍encoding=“前面 检测 .csv 文件的编码”
df = pd.read_csv("data.csv", encoding="utf-8")

# 打印数据的前 5 行，用于快速查看数据结构和内容
print(df.head())

# 打印 DataFrame 中所有列名，方便了解表的结构
print(df.columns) # 输出示例：Index(['age', 'height', 'weight', 'gender'], dtype='object')
# 打印 列名列表（list 格式）[或者 🍍df.columns.tolist()]
print(list(df.columns)) # 输出示例：['age', 'height', 'weight', 'gender']
# 遍历列名
for col in df.columns:
    print(col)

# 统计每一列的缺失值（NaN）数量，用于检查数据质量
print(df.isna().sum())