13、使用LightGBM和FLAML解决实际数据科学问题

使用LightGBM和FLAML解决实际数据科学问题

1. 数据清洗与探索性数据分析

1.1 数据清洗

在处理实际数据时，数据清洗是至关重要的一步。以下是一些常见的数据清洗操作示例：

import pandas as pd
import numpy as np

# 处理年龄和银行账户数量的异常值
frame.loc[frame["Age"] > 65, "Age"] = 65
frame.loc[frame["Num_Bank_Accounts"] > 1000, "Num_Bank_Accounts"] = 1000

# 处理月余额的异常值
frame.loc[frame["Monthly_Balance"] > 1e6, "Monthly_Balance"] = np.nan

清洗完数据后，我们可以验证所有特征是否具有正确的类型，以及缺失值是否已得到处理：

train_df.info()
train_df.isnull().sum()
train_df[train_df.duplicated()]

1.2 探索性数据分析（EDA）

完成数据清洗后，我们可以对干净的数据集进行更深入的探索性分析。以下是一些在EDA过程中发现的模式：
- 客户年龄分布 ：

import seaborn a