数据清洗是数据分析/AI建模的基础步骤，直接影响后续结果的准确性。结合上篇文章对于Pandas基础操作的讲解，今天使用Hugging Face可获取的经典公开数据集Titanic，实战讲解最常用的清洗操作，适合初学者快速上手。DataFrame是Pandas的核心数据结构，可理解为“带标签的表格”；缺失值处理优先选“填充”（按字段类型选中位数/均值/特殊值），仅缺失极少时选“删除”；重复值处理用检

1. 核心数据结构：掌握Series（一维带标签数组）与DataFrame（二维表格数据）的定义、特点及关联，是学习Pandas的基础。2. 数据读取：理解read_csv()/read_excel()的核心参数逻辑，明确“参数匹配数据格式”和“读取后验证”的重要性。3. 数据清洗：掌握缺失值、重复值、异常值的“识别-处理”核心思路，牢记“最小干预”原则，根据数据情况选择合适处理方式。

NumPy是Python数据分析和AI学习的基础库，核心优势是高效处理多维数组（ndarray）。本文针对初学者，梳理NumPy核心基础：数组创建、索引、广播机制（重点）、线性代数运算，全程搭配简洁代码示例，帮你快速上手实操。数组创建：重点掌握np.array()、np.zeros()、np.ones()、np.arange()、np.random.rand()，满足日常开发需求数组索引：二维数组