在Python数据分析预测中建立模型可按以下方式进行： #### 选择合适的库 Python有丰富的数据分析库，如NumPy、pandas、SciPy、scikit - learn、StatsModels等，还有深度学习、神经网络的各类包，基本上能满足大部分的企业应用需求[^3]。 ```python import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression ``` #### 数据准备 从数据源获取数据，并进行数据清洗、预处理等操作。例如，处理缺失值、异常值，对数据进行标准化、归一化等。以收入预测分析为例，用众数填充缺失值： ```python import pandas as pd import numpy as np train = pd.read_csv('data.csv') train.replace(' ?', np.nan, inplace=True) train.fillna(value = {'Workclass':train.Workclass.mode()[0], 'Occupation':train.Occupation.mode()[0], 'Native country':train['Native country'].mode()[0]}, inplace = True) ``` #### 划分数据集 使用`sklearn.model_selection`中的`train_test_split`函数将数据划分为训练集和测试集： ```python from sklearn.model_selection import train_test_split X = train.drop('target_column', axis = 1) y = train['target_column'] X_train, X_test, y_train, y_test = train_test_split(X, y, train_size = 0.75, random_state = 1234) ``` #### 选择模型 根据数据特点和预测目标选择合适的模型，如线性回归、逻辑回归、决策树、随机森林等。以线性回归为例： ```python from sklearn.linear_model import LinearRegression model = LinearRegression() ``` #### 模型训练 使用训练集数据对模型进行训练： ```python model.fit(X_train, y_train) ``` #### 模型评估 使用测试集数据对模型进行评估，常见的评估指标有均方误差（MSE）、均方根误差（RMSE）、准确率等。 ```python from sklearn.metrics import mean_squared_error y_pred = model.predict(X_test) mse = mean_squared_error(y_test, y_pred) print('均方误差：', mse) ```