با استفاده از Python و کتابخانه pandas یک فایل CSV شامل ویژگی‌های عددی را بخوان، مقادیر گمشده را با میانگین هر ستون جایگزین کن، ستون‌های عددی را با روش Z‑score استانداردسازی کن، سپس داده‌ها را به نسبت ۸۰/۲۰ به مجموعه آموزش و آزمون تقسیم کرده و آمار توصیفی نهایی هر مجموعه را چاپ کن.

برای حل این مسئله از pandas.read_csv برای بارگذاری داده استفاده کن، سپس با df.select_dtypes(include=[float, int]) ستون‌های عددی را انتخاب کن؛ مقادیر گمشده را با df[col].fillna(df[col].mean(), inplace=True) یا کل دیتافریم با df.fillna(df.mean(), inplace=True) پر کن. برای استانداردسازی می‌توانی از (df_num - df_num.mean()) / df_num.std() استفاده کنی یا از sklearn.preprocessing.StandardScaler بهره ببری. برای تقسیم داده‌ها قبل از جدا کردن آموزش/آزمون دیتافریم را با df.sample(frac=1, random_state=42) شافل کن و سپس با برش ایندکس‌ها ۸۰/۲۰ تقسیم کن یا از train_test_split در sklearn استفاده کن؛ در پایان از df.describe() برای چاپ آمار توصیفی استفاده کن. نکته‌ها: حفظ random_state تکرارپذیری را تضمین می‌کند و فقط ستون‌های عددی را استاندارد کن تا ستون‌های غیرعددی دست‌نخورده بمانند.