python数据分析练习，具体数据不放出。
分析实践很简单。目的不是做完，而是讲清楚每一步的目的和连带的知识点（所以才叫学习笔记）
0.数据准备
原始数据格式：csv文件
原始数据结构：
数据格式 | 字段名 |
int（无用信息） | 无 |
String | che300_brand_name |
float | new_price |
String | maker_type |
float | lowest_price |
String | car_level_name |
int | age_month |
String | brand |
float | age |
String | maker |
int | cluster |
1.导包
import warnings
warnings.filterwarnings('ignore')
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns"warnings" 是警告过滤器，没有实际作用。
"seaborn" 是一个基于 Matplotlib 的图形可视化库，可以用于绘制统计图表，如密度图、散点图、线性回归图等。
2.读取&初步处理
读数据：
data = pd.read_csv('二手车折旧分析.csv',encoding='gb2312')利用 pandas 读csv文件，第二个参数是设置编码，默认编码会使用 'utf-8' ，但这里的数据中有中文，需要使用支持简体中文的编码，如下图所示，可选择 'gb2312' 'gbk' 'gb18030'
查看更多详细编码：codecs — Codec registry and base classes — Python 3.11.3 documentation
查看数据：
data.head(5) # 查看前五行
data.describe() # 查看数据描述这里的 describe() 函数会自动出每一列是数值的数据的计数、均值、标准差、四分位数、二分位数、最值。相当于一次性使用了8次聚合函数，非常便于初步总览数据。
初步处理：
模拟真实数据中有不需要的列/行，可以进行删除。
如本例中的第一列，没有列名，那么再上一步查看数据的时候列名会显示为 'Unnamed: 0'
data = data.drop('Unnamed: 0',axis = 1)drop 函数第一个参数是列名，第二个参数 axis = 0 ：删除行 ； axis = 1 ：删除列。
3.数据清洗——残值率计算：
假设现在我们需要关注一个值——残值率的准确性。
如果你恰巧学过会计学，对这个词应该不陌生。
在会计记账过程中，资产的价值是每年会降低的，这很好理解，因为任何有形资产（如机器设备、车辆）都有使用年限，它们会随着时间磨损、消耗，最终报废，也就是资产归零。而每年在计算它们的价值时，应当根据剩余使用年限计算一个当前剩余的价值。
比如一辆价值10万元的车，如果理论上使用10年就会报废，那么它在使用2年后的资产价值就是10-10/10*2=8万元，这里面损失的2万元就是折旧，剩余的8万元就是残值，也就是此处的lowest_price 字段。
资产原值（new_price）/资产残值（lowest_price）= 残值率
正常情况下，残值率肯定低于1。
那么残值率高于1的数据就是错误数据，需要处理：
data['残值率'] = data['lowest_price']/data['new_price']给 DataFrame 添加一列，计算残值率，命名为“残值率”；
question_data = data[data['残值率'] > 1]
question_data.head(5) # 查看异常数据
question_data.count() # 异常数据总数筛选残值率高于1的数据进行探查；
data = data[data['残值率'] < 1]去除异常数据，进行数据清洗。
