1. 數據理解
   分析數據集基本結構（前/后10行）
   知識點：
   Pandas庫：df.head(10), df.tail(10)
   數據框結構：理解什么是行（樣本）、列（特征/變量）。
   識別變量類型：
   數據類型：
   數值型：
   連續型：可在一定范圍內取任意值（如身高、溫度）。
   離散型：只能取整數（如人數、物品數量）。
   類別型：
   定類型：無順序的類別（如性別、城市）。
   定序型：有順序的類別（如評分等級：高、中、低）。
   Pandas操作：df.dtypes（查看數據類型），df.info()（更全面的信息），df['column'].unique()（查看唯一值），df.describe()（數值型描述統計），df.describe(include='object')（類別型描述統計）。

2. 數據清洗
   缺失值處理：
   識別缺失值：df.isnull().sum()
   處理策略：

3. 刪除：df.dropna()（適用于缺失量少，或該行/列不重要時）

4. 填充：
   統計量填充：用均值、中位數（數值型）、眾數（類別型）填充。df.fillna()
   模型預測填充：使用KNN、回歸等模型預測缺失值（更復雜，但更科學）。
   前后值填充：df.fillna(method='ffill'或'bfill')（適用于時間序列數據）

5. 數據整理
   數據集轉化：
   特征工程：創建新特征（如從日期中提取“月份”、“星期幾”）。
   類型轉換：將類別變量轉換為數值（如pd.get_dummies()進行獨熱編碼）。
   數據合并：pd.concat(), pd.merge()

數據標準化：
目的：消除不同特征量綱和數值范圍差異對模型的影響。
方法：
Z-score標準化：(x - mean) / std，使數據均值為0，標準差為1。from sklearn.preprocessing import StandardScaler
Min-Max歸一化：(x - min) / (max - min)，將數據縮放到[0, 1]區間。from sklearn.preprocessing import MinMaxScaler

3.數據集分割
目的：評估模型在未見過的數據上的性能，防止過擬合。
方法：from sklearn.model_selection import train_test_split
操作：X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)

4. 數據分析
   核心目標：通過統計和可視化深入探索數據內在規律。
   探索性數據分析
   可視化庫：matplotlib, seaborn
   常用圖表：
   單變量分析：直方圖、箱線圖（查看分布、異常值）。
   雙變量分析：散點圖（查看關系）、熱力圖（查看相關性）。
   描述性數據分析
   統計量：
   集中趨勢：均值、中位數、眾數。
   離散程度：標準差、方差、四分位距。
   分布形態：偏度、峰度。

5.回歸預測分析
回歸預測
算法：
線性回歸：from sklearn.linear_model import LinearRegression
決策樹回歸：from sklearn.tree import DecisionTreeRegressor
隨機森林回歸：from sklearn.ensemble import RandomForestRegressor

分析模型可靠性 & 誤差分析
評估指標：
均方誤差：from sklearn.metrics import mean_squared_error
平均絕對誤差：from sklearn.metrics import mean_absolute_error
R2決定系數：from sklearn.metrics import r2_score
殘差分析：繪制殘差圖（預測值 vs 殘差），理想情況應隨機分布在0附近。

模型參數檢驗
線性回歸：檢查系數及其p-value，判斷特征是否顯著。
樹模型：查看特征重要性 model.feature_importances_
報告回歸結果：
匯總并解釋模型系數、截距、評估指標、顯著性等。

6.數據可視化
產生并輸出表格：
Pandas DataFrame的格式化輸出，使用.to_excel()或.to_csv()導出。
產生并輸出圖形：
柱狀圖/條形圖：plt.bar()，用于比較不同類別的數值。
餅圖：plt.pie()，用于顯示組成部分占比。
散點圖：plt.scatter()，用于展示兩個變量之間的關系。
箱線圖：sns.boxplot()，用于展示數據分布和異常值。