开始之前，要确保Anaconda、Python和sklearn已经成功安装在你的电脑上，具体可以参照上一期教程。
使用import导入我们安装的几个依赖包：
import numpy as np #导入numpy包，简写为np
import pandas as pd #导入pandas包，简写为pd
这一步将通过pandas导入我们的数据集，请注意数据集文件要在运行python的当前目录下：
dataset = pd.read_csv('Day 1 Data.csv') #读取csv文件
X = dataset.iloc[ : , :-1].values # 选择X数据集是第几行第几列 .iloc[行，列]
Y = dataset.iloc[ : , 3].values # : 表示全部行 or 列；[a]第a行 or 列
print("Step 2: Importing dataset")
print("X")
print(X)
print("Y")
print(Y)
1、打开spyder，设置默认的工作路径（也就是你的数据集存在在哪里），比如我的就是：E:\ML\100-Days-Of-ML-Code-master\datasets。
2、输入代码dataset = pd.read_csv(‘Day 1 Data.csv’)读取csv文件数据，按F9逐步运行每一行，导入数据，导入的数据叫做dataset。
3、接下来要选择X和Y，也就是自变量和应变量；在这个例子中，X是前三列（Country、Age、Salary），Y是最后一列或者说第四列（Purchased）。
我们来看代码：X = dataset.iloc[ : , :-1].values。iloc是一个函数，功能是根据标签的所在位置，从0开始计数，先选取行再选取列。比如dataset.iloc[1,1]就是取第二行，第二列，也就是27（python的行从0开始计数）。
现在X是前三列，准确来说是第一列（python的第0列）到第三列（python的第2列），每一列要所有的行，代码就是dataset.iloc[:,0:2]，其中，0:2表示第一列到第三列（python从0开始计数），单独一个：表示所有行。运行发现有问题，怎么第三列（python的第2列）没有读取？当我们使用dataset.iloc[:,0:3]，第三列（python的第2列）出来了。看出端倪来了么？这个[:,0:n]中的n是不算的，只读取到第n-1列，这样是不是清晰了。
有同学发现了吧，代码怎么是dataset.iloc[ : , :-1]。在这个例子中，dataset.iloc[ : , :-1]和dataset.iloc[:,0:3]是等效的， :-1表示从第一列（python的第0列）到倒数第二列（python的第二列），至于这个-1嘛，就是从右往左数第一列（python从右往左又是从1开始计数，根据上面提到的n-1原则，此时python只读取到倒数第二列，也就是-2列）。没错！那个0是可以省略的。在这个例子中，倒数第二列不就是正数第三列（python的第二列）么。综上，dataset.iloc[ : , :-1] = dataset.iloc[ : , :3] = dataset.iloc[ : , 0:3]，到这里迷糊了吧，不清楚就一个一个做测试就好。最后，加上一个.values ，转化成python认的数值型，最后在赋值到X和Y，进行后续的运算。
最后就是打印了，print(“Step 2: Importing dataset”)、print(“X”)这种带有双引号的，说明打印的是双引号包含的文字，属于字符型；而print(X)、print(Y)属于打印具体的内容，X和Y不就是我们之前划分出来的自变量和应变量么。
使用sklearn的内置方法Imputer，可以将丢失的数据用特定的方法补全。
这里我们使用整列的平均值来替换：
from sklearn.impute import SimpleImputer
imputer = SimpleImputer(missing_values=np.nan,strategy='mean')
X[:,1:3] = imputer.fit_transform(X[:,1:3])
print("---------------------")
print("Step 3: Handling the missing data")
print("step2")
print("X")
print(X)
1、1、from sklearn.impute import SimpleImputer，这一类from XXX import XXX是常用的语句，表示的是从sklearn这个大函数包，里面的impute这个小函数包，调用具体的函数，SimpleImputer。看出来了吧，这三个函数是逐一被包含的。简单介绍一下python包的构成，python的包都安装在site-packages中，sklearn包就是site-packages下的子文件夹，同理，impute是sklearn下的一个子文件夹，打开impute下的__init__.py文件，就可以看到SimpleImputer了。
说这么多，就是为了让大家了解python包的调用逻辑，因为随着版本更新，不少包或者函数会有位置变动，这时候就需要根据位置来重新修改调用语句。
SimpleImputer参数详解：
class sklearn.impute.SimpleImputer(*, missing_values=nan, strategy=‘mean’, fill_value=None, verbose=0, copy=True, add_indicator=False)
参数含义：
missing_values：int, float, str, (默认)np.nan或是None, 即缺失值是什么。
strategy：空值填充的策略，共四种选择（默认）mean、median、most_frequent、constant。mean表示该列的缺失值由该列的均值填充。median为中位数，most_frequent为众数。constant表示将空值填充为自定义的值，但这个自定义的值要通过fill_value来定义。
常用方法：还需配合fit_transform(X)使用：
imputer = SimpleImputer(missing_values=np.nan,strategy=‘mean’)
X[:,1:3] = imputer.fit_transform(X[:,1:3])
这里只需要对X的第二列和第三列做缺失值处理X[:,1:3]
从第3步的输出结果中我们可以看到分类数据Y中有很多"Yes"/“No"之类的字符标签，X中有很多国家的字符名称比如"France” , “Spain”，这些字符Python是不认识的，因此需要将其解析成数字：
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
from sklearn.compose import ColumnTransformer
labelencoder_X = LabelEncoder()
X[ : , 0] = labelencoder_X.fit_transform(X[ : , 0])
onehotencoder = ColumnTransformer([('encoder', OneHotEncoder(), [0])], remainder='passthrough')
X = onehotencoder.fit_transform(X)
labelencoder_Y = LabelEncoder()
Y = labelencoder_Y.fit_transform(Y)
print("---------------------")
print("Step 4: Encoding categorical data")
print("X")
print(X)
print("Y")
print(Y)
1、标签编码（LabelEncoder）知识点解析：
顾名思义，将红，蓝，绿转化为0，1，2就是标签编码，将转换成连续的数值型变量。即是对不连续的数字或者文本进行编号。
2、独热编码（OneHotEncoder）知识点解析：
对于离散型数据，比如一个特征为颜色，他一共有三个值，分别为红，蓝，绿，按照正常想法，我们可能认为，令红色=0，蓝色=1，绿色=2，这样对数据进行了编码，但是，如果把这些数据放到需要计算距离的或者其他模型中，模型会认为重要性是绿色＞蓝色＞红色。但这并不是我们的让机器学习的本意，只是想让机器区分它们，并无大小比较之意。所以这时标签编码是不够的，需要进一步转换。我们可以设置，这个特征有三个取值，我们可以设置三列，分别是红，蓝，绿，对于红色，它的取值是1，0，0，对于蓝色，它的取值是0，1，0，而对于绿色，它的取值是0，0，1。如此一来每两个向量之间的距离都是根号2，在向量空间距离都相等，所以这样不会出现偏序性，基本不会影响基于向量空间度量算法的效果。
3、ColumnTransformer()函数知识点解析：
ColumnTransformer()在Python的机器学习库scikit-learn中，可以选择地进行数据转换。要使用ColumnTransformer，必须指定一个转换器列表。每个转换器是一个三元素元组，用于定义转换器的名称，要应用的转换以及要应用于其的列索引，例如：（名称，对象，列）。
我们知道，为了让机器学习到分类的特征，我们需要先“训练”机器，这时候就需要训练集。训练结束后需要测试刚训练得到的模型的效果，因此又需要测试集。
为了实现这个目的，将刚获得的数据集进行拆分，其中20%为测试集，80%为训练集。使用sklearn的train_test_split可以很容易做到：
from sklearn.cross_validation import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split( X , Y , test_size = 0.2, random_state = 0)
如第5步的结果显示，数据集中存在一些值比如[4000, 6000, 10000, 100], 这样会导致一个问题：越大的值，权重越大，但实际上不论这个值多大，它的权重都应该是相同的，这时候就需要引入StandardScaler进行数据标准化了：
from sklearn.preprocessing import StandardScaler
sc_X = StandardScaler()
X_train = sc_X.fit_transform(X_train)
X_test = sc_X.transform(X_test)
做完数据上述步骤后，就可以进行模型的训练了。