Очистка данных:

• Метод: удаление дубликатов из набора данных с помощью библиотеки pandas Python.

  import pandas as pd
  
  # Remove duplicates from a DataFrame
  df = pd.DataFrame({'A': [1, 2, 2, 3, 4],
                  'B': ['a', 'b', 'b', 'c', 'd']})
  
  df_cleaned = df.drop_duplicates()
  print(df_cleaned)

Исследовательский анализ данных (EDA):

• Метод: создание описательной статистики с использованием библиотеки Python pandas.

  import pandas as pd
  
  # Calculate descriptive statistics
  df = pd.DataFrame({'A': [1, 2, 3, 4, 5]})
  
  stats = df.describe()
  print(stats)

Визуализация данных:

• Метод: создание точечной диаграммы с использованием библиотеки Python matplotlib.

  import matplotlib.pyplot as plt
  
  # Create a scatter plot
  x = [1, 2, 3, 4, 5]
  y = [2, 4, 6, 8, 10]
  
  plt.scatter(x, y)
  plt.xlabel('X')
  plt.ylabel('Y')
  plt.title('Scatter Plot')
  plt.show()

Статистическое моделирование:

• Метод: построение модели линейной регрессии с использованием библиотеки Python scikit-learn.

  from sklearn.linear_model import LinearRegression
  
  # Build a linear regression model
  X = [[1], [2], [3], [4], [5]]
  y = [2, 4, 6, 8, 10]
  
  model = LinearRegression()
  model.fit(X, y)
  
  # Predict the output for a new input
  X_new = [[6]]
  y_pred = model.predict(X_new)
  print(y_pred)

Машинное обучение:

• Метод: обучение классификатора дерева решений с использованием библиотеки Python scikit-learn.

  from sklearn.tree import DecisionTreeClassifier
  from sklearn.datasets import load_iris
  
  # Load the Iris dataset
  iris = load_iris()
  X = iris.data
  y = iris.target
  
  # Train a decision tree classifier
  model = DecisionTreeClassifier()
  model.fit(X, y)
  
  # Make predictions for new data
  X_new = [[5.1, 3.5, 1.4, 0.2], [6.2, 2.8, 4.8, 1.8]]
  y_pred = model.predict(X_new)
  print(y_pred)