概况
首先，2.1开始和之前1.1有点不一样，他除了代码题之外，还需要你去填写清洗规范和标注规范的主观题，而这块主观题相较代码题其实是更加简单的，基本上背一下模板，然后根据问题内的材料进行相应的修改就可以了.
需要注意的是以下3点：
1.数据清洗规范，两分 ，答题时会给三空，建议全填满。
数据标注规范，三分，答题时会给三空，建议全填满。一般题目内会给两点，需要自己填一个通用的。
2.写规范时一般可以把题干中的要求转换成相应的标注规范，
比如题目中给出：正确加载数据集，并显示前五行数据和数据类型，
你就可以写第一点清洗规范：加载数据并显示前五行数据和数据类型
3.写规范时，别带业务！
比如别写，"清洗数据时，删除xx字段里的重复值"，或者别写，"标注数据时，标注xx业务数据里的xx字段含义，把特征值选择为xx"，这样就带业务了。规范是不带业务的。
标准模板
数据清洗规范（答对 2 点即可，看时间，时间允许建议写3点）
-
数据加载：使用 pandas 库加载数据集，检查数据的基本结构和类型。
-
检查缺失值：统计每列的缺失值数量，并删除包含缺失值的行以确保数据完整性。
-
转换与处理异常值: 将数值列转换为数值类型，并处理无法转换的值。
-
数据标准化: 对数值型数据进行标准化，以消除量纲影响，使用标准化方法。
-
保存清洗后的数据: 将经过清洗和处理后的数据保存为新的 CSV 文件，以便后续使用。
数据标注规范（答对 3 点即可）
-
数据来源：标注数据的来源，包括数据集的名称、获取日期和数据提供者。
-
数据描述：提供详细的数据描述，包括每列数据的含义、单位和可能的取值范围。
-
特征选择: 确定对目标变量预测最有用的特征。
-
目标变量设定。
-
数据划分: 将数据分为训练集和测试集，通常采用 80/20 的比例，以便于模型的训练和评估。
-
保存处理后的数据：保存处理后的数据，并记录保存文件的路径和文件名。
-
数据清洗和标注规范文档
代码部分
第一空最常见为加载数据集
直接联想pd.read_csv（'文件名'）或者别的文件类型比如excle就为pd.read_excle('文件名')
需要注意一点，如果文件类型为text这里并部署pd.read_txt('')这样会报错的，这里也填pd.read_csv（'文件名'）在2.1题型中不会遇到但是到3.2题型会遇到这个问题，提前先说明一下
第二空常见为打印前五行和打印数据类型
打印前五行为print（data.head（））
打印数据结构为：print（data.info()）
第三空常见为删除缺失值或统计缺失值行数
删除缺失行为：data.dropna()
统计缺失值行数为 data.isnull().sum()
删除重复值data.drop_duplicates()
第四空常见转换数据类型，将列改名，转换为int类型等
转换为数据类型为：pd.to_numeric()函数'
将列改名为data.rename（columns=['需改名列'：'改名为什么']）函数
转换为int函数，使用astype（int）
第五空常见归一化
归一化想到fit_transform,格式一般为：data【'数据列'】=data.fit_transform(data【'数据列'】)
第六空常见划分数据集一般都会有from sklearn.model_selection import train_test_split
直接填train_test_split
常见格式为：train_data, test_data = train_test_split(data_filled, test_size=0.2, random_state=42)
X_train, X_test, y_train, y_test =train_test_split (X,y, random_state=42)
其中两题会有绘制图表
绘制饼图：数据源.plot.pie
绘制柱状图：数据源.plot
绘制散点图：plt.scatter
最后基本上就是保存数据
数据源.to_csv(文件名，index=False)
基本上就这些，有遗漏的欢迎补充