有了資料後就要來處理！跟之前學的一樣先來偵測一下他有沒有缺失值：

print(data.info())

這次用的是.info()方法，Pandas的DataFrame提供這個方法，可以顯示每個欄位的非空值數量，能更快速查看哪些欄位存在缺失值。顯示結果如下：

接下來，可以處理可能的異常值，以免它們影響後續的分析結果，舉例幾個處理異常值的方法：

1. 盒鬚圖（Box Plot）：
   使用盒鬚圖可以可視化資料的分布，容易發現是否有在數據分布之外的點，這些點可能是異常值。
2. Z分數或標準分數法：
   計算每個數據點與平均值的距離，以標準差為單位。超出一定標準差的數據點被視為異常值。
3. IQR方法（四分位距離法）：
   計算數據的四分位距（IQR），然後使用 IQR 的倍數來識別異常值。

資料整理完畢來進行數據轉換，才會更適合我接下來的分析需求，確保資料的格式一致，方便後續的操作。將類別型資料轉換為數值型有不同的方法，如果類別型資料是文字型（object），可以用這個方法讓他轉成我們想要的類型。舉例來說，我把平均年齡改成float：

data = data[data['average_age'] != '平均年齡']
data['average_age'] = data['average_age'].astype(float)

把縣市改成category：

data['site_id'] = data['site_id'].astype('category')

處理完資料，可以開始進入分析！