-
阶段：综合训练
-
学习内容：数据清洗与缺失值处理
-
核心知识点：处理空值
-
当日目标：清洗不完整数据
-
练习任务 ：处理空值并保存
1. 什么是数据清洗（缺失值处理）？
（1）核心思想 ：现实生活中的表格经常有漏填的格子（在 Python 里显示为 NaN，即 Not a Number）。数据清洗就是把这些空位置处理好，避免计算报错。
（2）常见处理做法 ： * 删 ：把有空缺值的整行删掉。 * 补：用某个固定的数字（比如 0）或平均分把空位填满。
2. 今日原材料准备（修改 data.csv）
在运行代码前，请用记事本打开你的 data.csv，故意留出空位，修改为以下内容（注意 Bob 和 Eve 的分数后面是空的）：
name,score
alice,100
ben,98
keely,87
delio,99
bob,
eve,3. 核心清洗指令
-
df.dropna()：只要有空格子，直接删掉那一行。 -
df.fillna(0)：把所有空缺的格子都填上 0。
4. 第15天完整代码
import pandas as pd
# 1. 读取含有空缺值的数据
df = pd.read_csv('data.csv')
print("--- 原始带空缺值的数据 ---")
print(df)
# 2. 做法 A：删除空缺值所在的行
# dropna() 会把含有 NaN 的行直接滤掉
df_clean = df.dropna()
print("\n--- 做法A：删掉空缺行后的数据 ---")
print(df_clean)
# 3. 做法 B：把空缺值补上 0（更常用）
# fillna(0) 会把所有 NaN 变成 0
df_filled = df.fillna(0)
print("\n--- 做法B：空缺处补0后的数据 ---")
print(df_filled)
# 4. 保存清洗后的干净数据
df_filled.to_csv('clean_data.csv', index=False)
print("\n--- 干净数据已保存至 clean_data.csv ---")