---

第1关：认识数据

编程要求
根据提示，在右侧Begin-End区域补充代码，查看数据属性名称。

测试说明
程序会调用你实现的方法，查看数据属性名称，若与正确结果一致，则视为通关。

开始你的任务吧，祝你成功！
示例代码如下：

# -*- coding: utf-8 -*-

def get_feature_names(df):
    '''
    input:df(DataFrame):输入数据
    output:feature_names
    '''
    #*********Begin*********#  
    feature_names=df.keys()
    #********** End **********#
    return feature_names

第2关：数据预处理

编程要求
根据提示，在右侧编辑器补充代码，填补数据缺失值，且对数据进行MinMaxScaler标准化。

测试说明
程序会调用你的方法对数据进行处理，若处理后与正确数据一致，则视为通关。
示例代码如下：

# -*- coding: utf-8 -*-
from sklearn.preprocessing import Imputer,MinMaxScaler

def data_preprocessing(data):
    '''
    input:data(ndarray):待处理数据
    output:preprocessing_data(ndarray):预处理后数据
    '''
    #*********Begin*********#
    imp = Imputer(missing_values='NaN', strategy='mean', axis=0)
    data = imp.fit_transform(data)
    min_max_scaler = MinMaxScaler()
    preprocessing_data = min_max_scaler.fit_transform(data)
    #********** End **********#
    return preprocessing_data

第3关：数学成绩预测

编程要求
根据提示，在右侧编辑器补充代码，实现数学成绩分数预测方法。

测试说明
程序会调用你实现的方法对数据进行预测，若模型评估指标值大于0.95则视为通关。

开始你的任务吧，祝你成功！
示例代码如下：

# -*- coding: utf-8 -*-
from sklearn.linear_model import LinearRegression

def lr(train_data,train_label,test_data):
    '''
    input:train_data(ndarray):训练数据
          train_label(ndarray):训练标签
          test_data(ndarray):测试数据
    output:predict(ndarray):测试数据预测标签
    '''
    #********* Begin *********#
    lr = LinearRegression()
    lr.fit(train_data,train_label)
    predict = lr.predict(test_data)
    #********** End **********#
    return predict

---