这是一个由Youtuber Siraj Raval发起的机器学习挑战活动，旨在号召大家每天至少花1个小时的时间在Machine Learning的学习上，内容涵盖了机器学习，深度学习等很多方面。
活动有Github链接，在量子位公众号的一篇文章里有对这个活动的详细描述。
同时GitHub上也有人在进行汉化，链接为https://github.com/MLEveryday/100-Days-Of-ML-Code
第一天数据预处理
第一步 导入需要的库
import numpy as np
import pandas as pd第二步 导入数据集
dataset = pd.read_csv('Data.csv',error_bad_lines=False)
X = dataset.iloc[ : , :-1].values
Y = dataset.iloc[ : , 3].values解析：pandas中pd.loc和pd.iloc的用法，具体可查看这里
pd.loc——通过行标签索引行数据
pd.iloc——通过行号索引行数据
pd.ix——通过行标签或者行号索引行数据（基于loc和iloc 的混合）
第三步 处理缺失数据
from sklean.preprocession import Imputer
imputer = Imputer(missing_values = "NaN", strategy = "mean", axis = 0)
imputer = imputer.fit(X[ : , 1:3])
X[ : , 1:3] = imputer.transform(X[ : , 1:3])解析：Imputer是sklearn中数据预处理的方法，主要是处理缺失值的，上述代码使用数组X去“训练”一个Imputer类，然后用该类的对象去处理数组Y中的缺失值，缺失值的处理方式是使用X中的均值（axis=0表示按列进行）代替Y中的缺失值。
官方文档在这：官方文档
具体用法可参考这里：博客
第4步：解析分类数据
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
labelencoder_X = LabelEncoder()
X[ : , 0] = labelencoder_X.fit_transform(X[ : , 0])解析：LabelEncoder是用来对分类型特征值进行编码，即对不连续的数值或文本进行编码，
OneHotEncoder，这种表示方式将每一个分类特征变量的m个可能的取值转变成m个二值特征，对于每一条数据这m个值中仅有一个特征值为1，其他的都为0。
具体用法可参看这里：博客
创建虚拟变量
onehotencoder = OneHotEncoder(categorical_features = [0])
X = onehotencoder.fit_transform(X).toarray()
labelencoder_Y = LabelEncoder()
Y = labelencoder_Y.fit_transform(Y)第5步：拆分数据集为训练集合和测试集合
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split( X , Y , test_size = 0.2, random_state = 0)第6步：特征缩放
from sklearn.preprocessing import StandardScaler
sc_X = StandardScaler()
X_train = sc_X.fit_transform(X_train)
X_test = sc_X.transform(X_test)解析：实用类StandarScaler，它可以在训练数据集上做了标准转换操作之后，把相同的转换应用到测试训练集中。
sklean中数据预处理方法总结：博客