بارگذاری و کاوش در داده‌ها با scikit-learn

import numpy as np

# بارگذاری داده ها از یک فایل CSV
data = np.genfromtxt('data.csv', delimiter=',')

# دسترسی به ویژگی ها و نمونه ها
features = data[:, :-1]  # ستون های ویژگی ها
labels = data[:, -1]    # ستون برچسب ها

import pandas as pd

# بارگذاری داده ها از یک فایل CSV
data = pd.read_csv('data.csv')

# دسترسی به ویژگی ها و نمونه ها
features = data.iloc[:, :-1].values  # مقادیر ستون های ویژگی ها
labels = data.iloc[:, -1].values   # مقادیر ستون برچسب ها

print(data.shape)  # نمایش تعداد نمونه ها و ویژگی ها
print(data.head())  # نمایش چند نمونه اول داده ها
print(data.describe())  # نمایش آمار توصیفی داده ها

import matplotlib.pyplot as plt

# رسم هیستوگرام برای هر ویژگی
for i in range(data.shape[1]):
    plt.hist(data[:, i])
    plt.show()

import seaborn as sns

# رسم ماتریس همبستگی
corr = data.corr()
sns.heatmap(corr, annot=True)
plt.show()

import missingno as mn

# نمایش ماتریس گرمایشی مقادیر گمشده
mn.matrix(data)
plt.show()

from sklearn.preprocessing import StandardScaler

# استانداردسازی مقادیر ویژگی ها
scaler = StandardScaler()
scaled_features = scaler.fit_transform(features)