利用Pandas進行全欄位資料健康檢查，排查有無缺失值（NaN）、確認資料型態（dtypes），並透過描述性統計檢驗數值合理性。

一、實作前情境：為什麼不能直接開始畫圖？
昨天雖然順利把 ⁠digital_eye_strain_students_professionals.csv⁠ 讀進Colab並看過前5筆，但實務上資料不能只看表象。
如果資料集暗藏「缺漏值（NaN）」、「數值被存成字串（例如數字混到空白或英文字母）」或是「邏輯不合理的數值（例如每日螢幕時長 28 小時、年齡負數）」，後面直接套用Seaborn畫圖或算統計量時一定會報錯，甚至得出錯誤的結論。
因此，今天要在同一個 Colab 筆記本中建立 Day 4 的單元格，進行標準的「資料健康度三道關卡檢查」。

二、資料型態與非空值檢查（⁠df.info()⁠）
在 Day3的程式碼下方，新增一個程式碼儲存格執行：

# 1. 檢視資料基本結構、欄位型態與非空值計數
print("=== 資料集基本結構檢查 ===")
df.info()

三、缺失值精確統計（⁠isnull().sum()⁠）
為了百分之百確認沒有隱藏的空值，執行缺失值累加統計：

# 2. 統計每個欄位的缺失值（NaN）數量
missing_values = df.isnull().sum()
print("=== 各欄位缺失值統計 ===")
print(missing_values)

# 計算整體缺失率
total_missing = missing_values.sum()
print(f"\n總計缺失值個數: {total_missing} 個")

檢查心得：
輸出結果整齊地顯示每個欄位的缺失數量全部都是0⁠。
這代表這份資料集在被作者整合或生成時，已經做過基本的完整性過濾，不需要在初期執行 ⁠dropna()⁠或 ⁠fillna()⁠等繁瑣的補值步驟，這對初學者來說大幅降低了踩坑門檻。

四、數值合理性與極值檢驗（⁠df.describe()⁠）
即便沒有空值，也不代表數值是合乎邏輯的。接下來使用 ⁠df.describe()⁠ 檢視數值欄位的五數綜合摘要（最小值、最大值、四分位數、平均值、標準差）：

# 3.檢視數值欄位的統計摘要（四捨五入到小數點後兩位）
df.describe().round(2)

1.年齡 (Age)：

• 範圍落在18.00歲至44.00歲，平均年齡約30.93歲（中位數31.00歲）。
• 解讀：完全涵蓋了大學生、研究生到中壯年上班族，沒有出現小於0歲或過度高齡的極端異常值。

2.每日螢幕時數 (Daily_Screen_Hours)：

• 範圍為2.00小時至14.00小時，平均值高達8.11小時，且75%的人使用時間達到11.10小時。
• 解讀：數值完全落在合理的每日時限內（未超過24小時），且呈現顯著的高工時、長時間用眼特徵，非常適合作為後續探討眼部疲勞的核心自變數。

3.每小時休息次數 (Break_Frequency_Per_Hour)：

• 範圍落在0.00到3.00次，平均為1.48次。
• 解讀：25%分位數為0次，代表有相當比例的人連續工作1小時以上完全不休息，這為後續驗證「休息習慣是否有助於減緩眼部症狀」提供了絕佳的對照組。

4.眼部症狀評分 (Eye_Dryness_Level 與 Eye_Pain_Level)：

• 乾澀與眼痛的範圍皆精準分佈在0.00至10.00分，平均值分別為4.71與5.08，標準差約3.17~3.19。
• 解讀：分數完整覆蓋量表兩端，中位數（50%）剛好落在5.00分，顯示受試者的症狀程度分佈非常均勻，沒有出現評分超出範圍的資料髒污。

5.每週頭痛頻率 (Headache_Frequency_Per_Week)：

• 範圍為0.00到7.00次/週，平均約3.30次。
• 解讀：每週最高7次（每天都痛），上限邏輯完全合乎常理。

6.睡眠時間 (Sleep_Hours)：

• 範圍落在4.00到9.00小時，平均睡眠時長為6.42小時。
• 解讀：符合現代學生與上班族的作息常態，未出現0小時或大於24小時的錯誤數據。