一、前期准备
分析要用到两个包：NumPy和Pandas，首先确保jupyter中成功安装了这两个包。
#导入numpy包
import numpy as np
#导入pandas包
import pandas as pd二、基础知识
2.1 一维数据分析：NumPy
2.2 一维数据结构：Pandas
2.3 二维数据分析：numpy对应array
2.4 二维数据分析：pandas对应数据框DateFrame
此处遇到一个问题：读取Excel文件报错。
解决方法：
1 查看Excel文件存放路径
具体操作：点击文件名，鼠标右键，选择“属性”，找到下面标红的两个地方。
2 将上面标红的两处合成文件的路径，
格式为文件夹\文件名，比如F:\ann\Untitled1.ipynb
3 最后把路径中全部的斜杠（/）或者反斜杠（\）替换为双反斜杠（\）
最后的路径为F:\ann\Untitled1.ipynb
三、Python具体案例分析：药店销售数据
3.1 提出问题
分析指标：
月均消费次数
月均消费金额
客单件
消费趋势
3.2 理解数据
3.3 清洗数据
3.3.1 选择子集
3.3.2 列名重命名
3.3.3 缺失数据处理（dropna(）函数）
Python缺失值有3种：None，NA，NaN。（分析数据时，如果遇到什么错误，比如float错误，就要考虑是否为缺失值，若是，则需要处理掉）。
- Python内置的None值；
- pandas中，将缺失值表示 为NA，表示不可用not available；
- 对应数值数据，pandas使用浮点值NaN（Not a Number）表示缺失数据；
None和NaN的区别：None是Python的一种数据类型（NoneType），NaN是浮点类型(float)，两个都用作空值。
3.3.4 数据类型转换
3.3.5 数据排序
3.3.6 异常值处理
3.4 构建模型3.4.1 指标1：月均消费次数=总消费次数/月份数
3.4.2 指标2：月均消费金额=总消费金额/月份数
3.4.3 指标3：客单价=总消费金额/总消费次数客单价（per customer transaction）：商场（超市）每位顾客平均购买商品的金额，即是平均交易金额。
3.4.3 消费趋势
