第六天，我們要進入資料分析實務中最耗時、但也最關鍵的環節——資料清洗（Data Cleaning）。在現實世界中收集到的數據很少是完美無瑕的，常因為問卷漏填、感測器斷線或系統傳輸遺漏而產生空值。在 Pandas 中，這些缺失值通常會以 NaN（Not a Number）呈現。今天我們以純 Python 腳本建立 day06_data_cleaning_nan.py，掌握缺失值的偵測、刪除與補值三大基本招式。

第一部分
新建 day06_data_cleaning_nan.py。首先建立一組包含 None 與 np.nan 的髒資料，並使用 .isna() 與 .sum() 統計各欄位的缺失狀況：

第二部分
當資料量龐大且缺失比例極低，或是某筆紀錄完全沒有分析價值時，最快的方式是直接「刪除（Drop）」。我們可以使用 dropna() 進行列刪除，或針對特定關鍵欄位進行過濾：

第三部分
在大部分情況下，直接刪除資料會損失過多樣本，因此更常見的策略是「填補（Imputation）」。我們可以使用 fillna()，依欄位特性填入固定字串、平均值或中位數：

第四部分
在終端機執行 python day06_data_cleaning_nan.py 驗證，確認缺失值統計與補值運算皆正常輸出。接著按 Ctrl + S 儲存檔案，並推送到遠端儲存庫：

終端機提示推送成功，回到 GitHub 重新整理頁面，就能看到今天寫好的程式檔。

今日心得/遇到的問題
今天學會了面對數據缺失時的兩大核心處理策略：刪除與補值。在決定使用哪種方法前，一定要先用 df.isna().sum() 釐清缺失比例；隨意刪除可能會造成樣本偏差，但若是直接用平均數補值，在遇到有極端值的欄位時（如薪資收入），改用中位數填補會更貼近真實分佈，是資料清理時需要特別考量的細節。