使用boston数据实现线性回归模型填补。首先初始化一个线性回归模型，模型的训练集为train，将含有缺失值的变量LSTAT作为目标变量，其余变量作为自变量拟合模型：
train = boston.dropna(subset=["LSTAT"])
reg = LinearRegression()
reg.fit(X=train. ("LSTAT", ), y=train["LSTAT"])
您可能感兴趣的试题
- ∴使用客观法离散化data，设定了参数为bins = [0, 10000, 100000, 200000, np.inf]，标签为["new", "used", "old", "worn"]，结果保存在result中：
result=pd.
- ∴计算变量y与x的Pearson相关系数：
Pearson_xy = (y, x)
- ∴对数据集data中的所有变量进行Max-ABS缩放，结果保存在data_scale中：
ma_scaler = ()
data_scale = ma_scaler. (data)
- ∴将data_1数据集age变量中的-1和999替换为缺失值：
data_1["age"]. ([-1, 999], np.nan, inplace=True)
