第3章 特征增强：清洗数据
主要内容：
识别数据中的缺失值；
删除有害数据；
输入（填充）缺失值；
对数据进行归一化/标准化；
构建新特征；
手动或自动选择（移除）特征；
使用数学矩阵计算将数据集转换到不同的维度。
3.1 识别数据中的缺失值
查看数据集中是否有数据点是空的，用pandas dataframe内置的isnull()方法：
dataname.isnull().sum() 统计缺失值的数量
3.2处理数据集中的缺失值
主要的两种处理方法：
删除缺少值的行 dataname.dropna()
填充缺失值 dataname['列名'].fillna(['列名'].mean(),inplace = True) 也可以用sklearn预处理类的Imputer模块（填充器）进行缺失值填充
数据集的每列均值： dataname.mean() 某列的均值 datanamme['列名'].mean()