数据分析+分类模型预测乳腺癌患病概率

#查看数据集类别样本分布#2为良性，4为恶性data.groupby('Class')['Mitoses'].count().reset_index(name='class_count')

# 将?替换为标准缺失值表示。data = data.replace(to_replace='?', value=np.nan)# 丢弃带有缺失值的数据（只要有一个维度有缺失）。data = data.dropna(how='any')# 输出data的数据量和维度。data.shape

# 使用sklearn.cross_valiation里的train_test_split模块用于分割数据。from sklearn.cross_validation import train_test_split# 随机采样25%的数据用于测试，剩下的75%用于构建训练集合。X = data[column_names[1:10]] # 第一列“Sample code number”为编号，与Y无相关性，过滤掉Y = data[column_names[10]]X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.25, random_state=33)

# 查验训练样本的数量和类别分布。y_train=pd.Series(y_train)y_train.value_counts()

# 查验测试样本的数量和类别分布。y_test=pd.Series(y_test)y_test.value_counts()

# 从sklearn.preprocessing里导入StandardScaler。