写在前面

上一篇博客，我们学习了如何灵活地索引和选取 DataFrame 中的数据，这为我们深入操作数据打下了基础。 然而，在我们拿到原始数据，准备开始大展身手进行分析之前，往往需要先进行一个至关重要的步骤：数据清洗与预处理 (Data Cleaning and Preprocessing)。

“脏数据”：数据分析路上的拦路虎

现实世界中的数据很少是完美无缺的，它们常常充满各种问题，也就是我们常说的 “脏数据”：

• 缺失值 (Missing Values)： 数据表中存在空白单元格、N/A、NULL 等表示数据缺失的情况。例如，用户注册时未填写年龄、传感器数据采集失败等。
• 重复值 (Duplicate Values)： 数据表中存在完全相同或部分字段相同的重复记录。例如，用户重复提交订单、数据导入过程中出错导致重复录入等。
• 异常值 (Outliers)： 数据中存在明显偏离正常范围的极端值或错误值。例如，年龄填写为 200 岁、销售额出现负数等。
• 数据类型不一致 (Inconsistent Data Types)：<