准备好，让我们一起化繁为简，成为数据清洗的高手！

1. 数据清洗的流程方法：去除字符串两边空格

data = "   Hello World!   "
cleaned_data = data.strip()  # 神奇的一行，左右空格拜拜

• 解读：strip()方法去掉字符串首尾的空白字符，简单高效。

2. 数据清洗的流程方法：转换数据类型

num_str = "123"
num_int = int(num_str)  # 字符串转整数，就是这么直接

• 注意：转换时要确保数据格式正确，否则会报错。

3. 数据清洗的流程方法：大小写转换

text = "Python is Awesome"
lower_text = text.lower()  # 全部变小写，便于统一处理
upper_text = text.upper()  # 或者全部大写，随你心情

4. 数据清洗的流程方法：移除列表中的重复元素

my_list = [1, 2, 2, 3, 4, 4]
unique_list = list(set(my_list))  # 集合特性，去重无压力

• 小贴士：这招虽好，但改变了原列表顺序哦。

5.数据清洗的流程方法： 快速统计元素出现次数

from collections import Counter
data = [apple, banana, apple, orange]
counts = dict(Counter(data))  # 想要知道谁最受欢迎？

• 解读：Counter是统计神器，轻松获取频率。

6. 数据清洗的流程方法：字符串分割成列表

sentence = "Hello world"
words = sentence.split(" ")  # 分割符默认为空格，一句话变单词列表

7. 数据清洗的流程方法：列表合并

list1 = [1, 2, 3]
list2 = [4, 5, 6]
merged_list = list1 + list2  # 合并列表，就这么简单

8. 数据清洗的流程方法：数据填充

my_list = [1, 2]
filled_list = my_list * 3  # 重复三次，快速填充列表

9. 数据清洗的流程方法：提取日期时间

from datetime import datetime
date_str = "2023-04-01"
date_obj = datetime.strptime(date_str, "%Y-%m-%d")  # 日期字符串变对象

• 关键点：%Y-%m-%d是日期格式，按需调整。

10. 数据清洗的流程方法：字符串替换

old_string = "Python is fun."
new_string = old_string.replace("fun", "awesome")  # 改头换面，一言既出

11. 数据清洗的流程方法：快速排序

numbers = [5, 2, 9, 1, 5]
sorted_numbers = sorted(numbers)  # 自然排序，升序默认

• 进阶：reverse=True可降序排列。

12.数据清洗的流程方法： 提取数字

mixed_str = "The year is 2023"
nums = .join(filter(str.isdigit, mixed_str))  # 只留下数字，其余走开

• 解密：filter函数配合isdigit，只保留数字字符。

13. 空值处理（假设是列表）

data_list = [None, 1, 2, None, 3]
filtered_list = [x for x in data_list if x is not None]  # 拒绝空值，干净利落

• 语法糖：列表推导式，简洁优雅。

14. 数据清洗的流程方法：字典键值对互换

my_dict = {"key1": "value1", "key2": "value2"}
swapped_dict = {v: k for k, v in my_dict.items()}  # 翻转乾坤，键变值，值变键

15. 数据清洗的流程方法：平均值计算

numbers = [10, 20, 30, 40]
average = sum(numbers) / len(numbers)  # 平均数，一步到位

16. 数据清洗的流程方法：字符串分组

s = "abcdef"
grouped = [s[i:i+2] for i in range(0, len(s), 2)]  # 每两个一组，分割有道

• 应用：适用于任何需要分组的场景。

17. 数据清洗的流程方法：数据标准化

import numpy as np
data = np.array([1, 2, 3])
normalized_data = (data - data.mean()) / data.std()  # 数学之美，标准分布

• 背景：数据分析必备，让数据符合标准正态分布。

18.数据清洗的流程方法： 数据过滤（基于条件）

data = [1, 2, 3, 4, 5]
even_numbers = [x for x in data if x % 2 == 0]  # 只留偶数，排除异己

• 技巧：列表推导结合条件判断，高效筛选。