Массив и таблица
NumPy ndarray хранит многомерные числовые данные. Форма (n, d) означает n объектов с d признаками; axis=0 обычно агрегирует по объектам, axis=1 — по признакам строки. Неверная ось может дать массив допустимой формы с неправильным смыслом. Всегда подпишите, что означают строки и столбцы.pandas DataFrame добавляет имена колонок и индекс. Выбор frame[columns] задаёт порядок признаков, а .loc обращается по меткам, .iloc — по позициям. При объединении таблиц проверьте ключ и кардинальность: дубликаты ключей с обеих сторон способны размножить строки. Число строк после join — отдельная проверка качества данных.
Аудит до обучения
Для каждого поля зафиксируйте имя, тип, допустимые значения и момент появления. Посчитайте пропуски, повторяющиеся объекты, распределение целевого класса. Проверьте единицы: миллиграммы и граммы могут выглядеть как одно числовое поле, но давать разные предсказания. Не используйте уникальный ID как содержательный признак без обоснования.В Wine готовые данные конечны и не содержат пропусков, но это свойство конкретного набора, а не любого CSV. Обработка отсутствующих значений всё равно должна быть частью контракта будущего проекта. Предположение «в примере не было NaN» не заменяет проверку входов.
Данные и обучение преобразований
Описательный просмотр схемы помогает понять данные. Вычисление параметров обработки для модели — уже обучение: средние для заполнения пропусков и масштабирования определяются только на train. Не удаляйте строки или колонки, ориентируясь на итоговые оценки test. Отделение test рассматривается в следующем блоке.В примере выбор двух именованных колонок сохраняет ясный порядок. Суммарное число пропусков получается двумя суммами: сначала по колонкам, затем общий итог. Числа в примере — результат чтения реального набора, а не заранее составленная витрина.