Implementation of Pandas in python

import pandas as pd
import numpy as np

np.set_printoptions(suppress=True)

df=pd.read_csv('data.csv')

from sklearn.preprocessing import Imputer,LabelEncoder,OneHotEncoder

x=df.iloc[:,:3].values
y=df.iloc[:,3].values

ob=Imputer()

x[:,1:]=ob.fit_transform(x[:,1:])
print(x)

le=LabelEncoder()

x[:,0]=le.fit_transform(x[:,0])

print(x)

ohe=OneHotEncoder(categorical_features=[0])

x=ohe.fit_transform(x).toarray()

print(x)

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)

print(x_train)

Dataset:

country,age,salary,purchase
france,44,72000,no
spain,27,48000,yes
germany,30,54000,no
spain,38,61000,no
germany,40,nan,yes
france,35,58000,yes
spain,nan,52000,no
france,48,79000,yes
germany,50,83000,no
france,37,67000,yes

Output:

[['france' 44.0 72000.0]
 ['spain' 27.0 48000.0]
 ['germany' 30.0 54000.0]
 ['spain' 38.0 61000.0]
 ['germany' 40.0 63777.77777777778]
 ['france' 35.0 58000.0]
 ['spain' 38.77777777777778 52000.0]
 ['france' 48.0 79000.0]
 ['germany' 50.0 83000.0]
 ['france' 37.0 67000.0]]
[[0 44.0 72000.0]
 [2 27.0 48000.0]
 [1 30.0 54000.0]
 [2 38.0 61000.0]
 [1 40.0 63777.77777777778]
 [0 35.0 58000.0]
 [2 38.77777777777778 52000.0]
 [0 48.0 79000.0]
 [1 50.0 83000.0]
 [0 37.0 67000.0]]

[[    1.             0.             0.            44.
  72000.        ]
 [    0.             0.             1.            27.
  48000.        ]
 [    0.             1.             0.            30.
  54000.        ]
 [    0.             0.             1.            38.
  61000.        ]
 [    0.             1.             0.            40.
  63777.77777778]
 [    1.             0.             0.            35.
  58000.        ]
 [    0.             0.             1.            38.77777778
  52000.        ]
 [    1.             0.             0.            48.
  79000.        ]
 [    0.             1.             0.            50.
  83000.        ]
 [    1.             0.             0.            37.
  67000.        ]]
[[    0.             1.             0.            30.
  54000.        ]
 [    0.             1.             0.            40.
  63777.77777778]
 [    0.             1.             0.            50.
  83000.        ]
 [    1.             0.             0.            37.
  67000.        ]
 [    0.             0.             1.            38.77777778
  52000.        ]
 [    1.             0.             0.            44.
  72000.        ]
 [    0.             0.             1.            27.
  48000.        ]
 [    1.             0.             0.            48.
  79000.        ]]