2.1.1

import pandas as pd # 加载数据集并显示数据集的前五行 1分 data = 💡 print("数据集的前五行:") print(💡) # 显示每一列的数据类型 print(data.dtypes) # 检查缺失值并删除缺失值所在的行 2分 print("\n检查缺失值:") print(💡.💡.💡) data = 💡 # 将 'horsepower' 列转换为数值类型，并（删除）处理转换中的异常值 1分 data['horsepower'] = 💡(data['horsepower'], errors='coerce') data = 💡 # 显示每一列的数据类型 print(data.horsepower.dtypes) # 检查清洗后的缺失值 print("\n检查清洗后的缺失值:") print(data.isnull().sum()) from sklearn.preprocessing import StandardScaler # 对数值型数据进行标准化处理 1分 numerical_features = ['displacement', 'horsepower', 'weight', 'acceleration'] scaler = StandardScaler() data[numerical_features] = 💡 from sklearn.model_selection import train_test_split # 选择特征、自变量和目标变量 2分 selected_features = 💡 X = 💡 y = 💡 # 划分数据集为训练集和测试集（训练集占8成） 1分 X_train, X_test, y_train, y_test = 💡(💡, random_state=42) # 将特征和目标变量合并到一个数据框中 cleaned_data = X.copy() cleaned_data['mpg'] = y # 保存清洗和处理后的数据（不存储额外的索引号） 1分 💡('2.1.1_cleaned_data.csv', 💡) # 打印消息指示文件已保存 print("\n清洗后的数据已保存到 2.1.1_cleaned_data.csv")