原始订单数据杂乱，我迅速用 isnull () 定位缺失值，dropna () 果断清理无意义行，fillna () 以均值填充关键列；duplicated () 揪出重复订单，drop_duplicates () 一键删除，让数据 “脱胎换骨”，为决策提供精准支撑。pandas数据清洗以及数据分析，数据图形绘制，在校学习的技术应该可以数据清洗则是利用 pandas 提供的各种函数和方法，识别并处理数据集中存在的错误、缺失值、重复值、格式不一致等问题，提升数据质量，让数据更适合后续的分析、建模等任务应用，用，代码掌握度较为熟练，技术还行。

写过对公司员工的数据清洗，对股票数据可视化，对职位可视化数据清洗，相对来说项目经验较好，，我充分运用 pandas 进行数据清洗。面对杂乱的销售数据，用 dropna () 精准去除缺失值，以 fillna () 合理填充，duplicated () 识别重复项后 drop_duplicates () 清理，让数据规整。经数据重塑、类型转换，为后续精准营销分析筑牢根基。