引用netDXF 对dxf文件解析 并增加操作 加载, 创建块, 增加块集合到dxf中, 判断layer, 内容循环, 保存dxf为2000到2018版本
文件：n459.com/file/25127180-478966473
以下内容无关：
-------------------------------------------分割线---------------------------------------------
由于各种原因，现实世界中的许多数据集都包含缺失值，通常把缺失值编码为空白，NaN或其他占位符。但是，此类数据集与scikit-learn估计器不兼容，这是因为scikit-learn的估计器假定数组中的所有值都是数字，并且都存在有价值的含义。如果必须使用不完整数据集，那么处理缺失数据的基本策略是丢弃包含缺失值的整个行和/或列，但是，这是以丢失有价值的数据为代价的（即使数据不完整），更好的策略是估算缺失值，从数据的已知部分推断出缺失值，这就是插补（imputation）。
单变量插补法（univariate imputation），仅使用第i个特征维度中的非缺失值来插补第i个特征维度中的值。相比之下，多变量插补算法（multivariate imputation）会使用整个可用特征维度集来估算缺失值。
一，单变量插补
在sklearn包中，使用SimpleImputer估算器来实现单变量插补，单变量插补的处理策略（由strategy参数制定）有四个：mean，median，most_frequent和constant（搭配fill_value参数使用）。其中，mean和median分别表示使用均值和中位数来插补缺失值；对于定性数据，可以使用most_frequent（众数）来插补缺失值。
复制代码
import numpy as np
from sklearn.impute import SimpleImputer
imp = SimpleImputer(missing_values=np.nan, strategy=‘mean’)
imp.fit([[1, 2], [np.nan, 3], [7, 6]])
SimpleImputer()X = [[np.nan, 2], [6, np.nan], [7, 6]]
print(imp.transform(X))
[[4. 2. ]
[6. 3.666…]
[7. 6. ]]
复制代码
二，多变量插补
在scikit-learn包中，多变量插补使用IterativeImputer估算器来实现，该估算器把含有缺失值的每个特征建模为其他特征的函数，并使用该估算值进行插补。
多变量插补法以迭代循环的方式进行：
在每个步骤中，将特征列指定为输出y，将其他特征列视为输入X。
把回归器拟合到已知的y的（X，y）上。
然后，使用回归器预测y的缺失值。
针对每个特征以迭代方式完成此操作，然后在max_iter插补回合中重复此操作。
返回最后一轮估算的结果。
注意：多变量插补估算器目前仍处于试验阶段：默认参数或行为可能会更改。 解决以下问题将有助于稳定IterativeImputer：
收敛标准（＃14338）：IterativeImputer不会收敛，事实上，收敛准则似乎不会随着迭代而下降。
默认估计量（＃13286）：使用正则化最小二乘模型进行迭代插补与使用NMF进行插补大致相同。 取而代之的是，至少在sample_posterior = False的情况下，否则，我们应该使用RandomForestRegressor作为IterativeImputer中的默认回归器。
随机状态的使用 (#15611)：通过random_state指定RandomState对象，来保证结果可重复，有些跟scikit-learn相兼容的模块可能不兼容RandomState对象。
要使用多变量插补，需要显式导入enable_iterative_imputer。
复制代码
import numpy as np
from sklearn.experimental import enable_iterative_imputer
from sklearn.impute import IterativeImputer
imp = IterativeImputer(max_iter=10, random_state=0)
imp.fit([[1, 2], [3, 6], [4, 8], [np.nan, 3], [7, np.nan]])
IterativeImputer(random_state=0)X_test = [[np.nan, 2], [6, np.nan], [np.nan, 6]]
the model learns that the second feature is double the first
print(np.round(imp.transform(X_test)))
[[ 1. 2.]
[ 6. 12.]
[ 3. 6.]]
复制代码
注意，IterativeImputer 返回单个插补而不是多个插补，但是，当设置sample_posterior = True时，通过把IterativeImputer重复应用于具有不同随机种子的同一数据集，也可以将其用于多个插补。
三，最邻近插补
KNNImputer 类提供了使用k最近邻方法来填充缺失值的插补。默认情况下，使用nan_euclidean_distances作为从存在缺失值的特征中计算欧氏距离的度量标准，用欧氏距离来查找最近的邻居。从存在缺失值的特征中选取最邻近的n_neighbors个邻居，使用这n_neighbors个邻居的值估算特征缺失的值。邻居的特征被均匀地平均，或通过到每个邻居的距离加权。如果一个样本有多个特征缺失，那么该样本的邻居可能会有所不同，具体取决于要插补的特定特征。当可用邻居的数量小于n_neighbors，并且与训练集之间没有定义的距离时，在插补过程中将使用该特征的训练集的平均值。如果存在至少一个具有定义距离的邻居，则在插补期间将使用其余邻居的加权或未加权平均值。如果训练中始终缺少某个特征，则在变换过程中将其删除。