简介

在本章中，你将学习使用 scikit-learn 进行数据预处理的技术。scikit-learn 是数据科学领域最流行的框架之一。

A. 机器学习工程与数据科学

在工业界，机器学习工程和数据科学之间存在较多重叠。这两个岗位都涉及数据相关工作，例如数据分析和数据预处理。

机器学习工程师的主要任务是首先分析数据中的有效趋势，然后为模型训练构建高效的输入流水线。这一过程通常会使用 NumPy 和 pandas 等库来处理数据，并结合 TensorFlow 等机器学习框架来构建模型和输入管道。有关机器学习工程以及 NumPy 和 pandas 库的更多内容，请参考本课程的前两个章节。

虽然数据科学家也会使用 NumPy 和 pandas 库，但本章重点介绍一个专用于工业级数据科学的核心库：scikit-learn。相比机器学习工程师，数据科学家通常处理的数据集规模较小，其主要目标是对数据进行分析并快速提取可用结果。因此，他们更侧重于传统的数据推断模型（这些模型包含在 scikit-learn 中），而非深度神经网络。

scikit-learn 库提供了用于数据预处理和数据挖掘的工具，在 Python 中通过 import sklearn 语句导入。