仅需两行代码实现切分训练集和测试集并分离特征与标签

输出结果

name              object
ID                object
age               object
age02              int64
age03             object
born      datetime64[ns]
sex               object
hobbey            object
money            float64
weight           float64
test01           float64
test02           float64
dtype: objectname    ID  age  age02 age03       born   sex hobbey  money  weight  \
0   Bob     1  NaN     14    14        NaT     男    打篮球  200.0   140.5
1  LiSa     2   28     26    26 1990-01-01     女   打羽毛球  240.0   120.8
2  Mary         38     24    24 1980-01-01     女   打乒乓球  290.0   169.4
3  Alan  None           6     6        NaT  None         300.0   155.6   test01    test02
0  1.000000  1.000000
1  2.123457  2.123457
2  3.123457  3.123457
3  4.123457  4.123457
0    140.5
1    120.8
2    169.4
Name: weight, dtype: float64name    ID age  age02 age03 born   sex hobbey  money  weight    test01  \
3  Alan  None          6     6  NaT  None         300.0   155.6  4.123457   test02
3  4.123457

实习代码

import pandas as pd
import numpy as npcontents={"name": ['Bob',        'LiSa',                     'Mary',                       'Alan'],"ID":   [1,              2,                         ' ',                          None],    # 输出 NaN"age":  [np.nan,        28,                           38 ,                          '' ],   # 输出 "age02":  [14,           26,                           24 ,                          6], "age03":  [14,           '26',                      '24' ,                        '6'], "born": [pd.NaT,     pd.Timestamp("1990-01-01"),  pd.Timestamp("1980-01-01"),        ''],     # 输出 NaT"sex":  ['男',          '女',                        '女',                        None,],   # 输出 None"hobbey":['打篮球',     '打羽毛球',                   '打乒乓球',                    '',],   # 输出 "money":[200.0,                240.0,                   290.0,                     300.0],  # 输出"weight":[140.5,                120.8,                 169.4,                      155.6],  # 输出"test01":[1,    2.123456789,        3.123456781011126,   4.123456789109999],    # 输出"test02":[1,    2.123456789,        3.123456781011126,   4.123456789109999],    # 输出}
data_frame = pd.DataFrame(contents)
# data_frame.to_excel("data_Frame.xls")
print(data_frame.dtypes)
print(data_frame)# ML之FE：在模型训练中，仅需两行代码实现切分训练集和测试集并分离特征与标签
train_test_split_Index=3
label_col='weight'
train_X = data_frame[:train_test_split_Index]
train_y = data_frame[:train_test_split_Index][label_col]
test_X  = data_frame[train_test_split_Index:]
test_y  = data_frame[train_test_split_Index:][label_col]
print(train_y)
print(test_X)

ML之FE：在模型训练中，仅需两行代码实现切分训练集和测试集并分离特征与标签相关推荐

win10 anaconda3环境下安装tensorflow-GPU（仅需两行代码即可）
教程最好的地方在于不是纯粹的安装固定版本的 tensorflow 某个版本,而是提供了一个安装的方法,利用本教程的安装理念, tensorflow的任何版本随心所欲安装,再也不用复制.粘贴别人的版本 ...
ML之FE：pandas库中数据分析利器之groupby分组函数、agg聚合函数、同时使用groupby与agg函数组合案例之详细攻略
ML之FE:pandas库中数据分析利器之groupby分组函数.agg聚合函数.同时使用groupby与agg函数组合案例之详细攻略目录 pandas库中数据分析利器之groupby分组函数.ag ...
对抗训练：对抗训练中的过拟合现象和对抗训练技巧总结
什么是对抗训练中的过拟合? 既在训练集上做对抗训练的过程中,训练集的对抗鲁棒性仍在上升,测试集的对抗鲁棒性却下降了.同时两者的分类精度也在持续上升. 常用的解决方案有early stopping,添加 ...
基于飞桨PaddlePaddle实现素描线稿提取——仅需一行代码即可实现模型调用
一行代码实现从彩色图提取素描线稿一.前言:初识PaddleHub 预训练模型(Pre-Trained Models) 二.构建Module的大框架 1.将模型文件存放在infer_model下 2. ...
ML之DS：仅需一行代码实现对某字段下的所有数值实现同一机制的改变或转换(比如全部转为str类型/全部取平方值)
ML之DS:仅需一行代码实现对某字段下的所有数值实现同一机制的改变或转换(比如全部转为str类型/全部取平方值) 目录仅需一行代码实现对某字段下的所有数值实现同一机制的改变或转换(比如全部转为str ...
Java8读文件仅需一行代码
版权声明:本文为博主chszs的原创文章,未经博主允许不得转载. https://blog.csdn.net/chszs/article/details/44023039 Java8读文件仅需一行代码 ...
Python爬虫仅需一行代码，熟练掌握crawl第三方库
simple_crawl 仅需一行代码即可达到爬虫效果使用方法私信小编01即可大量获取Python学习资料 pip install simple_crawl 以下源代码为简单介绍,详细功能介绍再源 ...
Python爬虫仅需一行代码----crawl第三方库
仅需一行代码写爬虫–simple_crawl simple_crawl 仅需一行代码即可达到爬虫效果项目地址(欢迎star):https://github.com/Amiee-well/crawl ...
Python编程语言学习：仅需一行代码将字符串化的数字数组、int数组、float数组实现之间互换(将一个字符串数组转换成整型数组)
Python编程语言学习:仅需一行代码将字符串化的数字数组.int数组.float数组实现之间互换(将一个字符串数组转换成整型数组) 目录

ML之FE：在模型训练中，仅需两行代码实现切分训练集和测试集并分离特征与标签

仅需两行代码实现切分训练集和测试集并分离特征与标签

输出结果

实习代码

ML之FE：在模型训练中，仅需两行代码实现切分训练集和测试集并分离特征与标签相关推荐

最新文章

热门文章