با استفاده از pandas یک فایل CSV شامل ویژگی‌های عددی را بارگذاری کن، داده‌های مفقود را پر کن، متغیرهای ورودی و خروجی را جدا کن و مجموعه داده را به مجموعه‌های آموزش و آزمون تقسیم کن.

برای بارگذاری CSV با ویژگی‌های عددی از pandas استفاده کن و ساختار داده را با df.info() و df.head() بررسی کن. مقادید گمشده را می‌توان با df.fillna(df.mean()) پر کرد یا در صورت نیاز از df.dropna() استفاده نمود تا داده‌ها حذف شوند. ستون هدف را مشخص کرده و با X = df.drop(columns=['هدف']) و y = df['هدف'] ورودی‌ها و خروجی‌ها را جدا کن. برای تقسیم داده‌ها به مجموعه‌های آموزش و آزمون از train_test_split با random_state استفاده کن تا قابلیت بازتولید نتیجه فراهم شود. نهایتاً با خریداری به numpy با .to_numpy() یا .values داده‌ها را برای مدل‌های ML آماده کن.