给定一个时间内某段各个国家的酒类消费数据表drinks.csv，其中包含6个字段，表8-1给出了该表中的字段信息。 表8-1 酒类消费数据表的字段信息 Country 国家 beer_servings 啤酒消费量 spirit_servings 烈酒消费量 wine_servings 红酒消费量 total_litres_of_pure_alcohol 纯酒精消费总量 Continent 所在的大洲 完成以下的任务： （1）用pandas将酒类消费数据表中的数据读取为DataFrame，输出包含缺失值的行； （2）在使用read_csv函数读取酒类消费数据表时（除文件地址外不添加额外的参数），pandas将continent字段中的“NA”（代表北美洲，North American）自动识别为NaN。因此，需要将continent字段中的NaN全部替换为字符串NA。如果学有余力，可以自行在网络上调研如何在read_csv函数中添加参数使NA不被识别为NaN； （3）分别输出各个大洲的平均啤酒、烈酒和红酒的消费量； （4）分别输出啤酒、烈酒和红酒消费量最高的国家。

（1）读取数据并输出包含缺失值的行：

import pandas as pd

df = pd.read_csv("drinks.csv")
print(df[df.isnull().any(axis=1)])

输出结果为包含缺失值的行。

（2）将continent字段中的NaN全部替换为字符串NA：

df = pd.read_csv("drinks.csv", na_values="")
df["Continent"].fillna("NA", inplace=True)

这里我们在读取csv文件时将空字符串""识别为缺失值，然后使用fillna函数将缺失值替换为"NA"。

（3）分别输出各个大洲的平均啤酒、烈酒和红酒的消费量：

df.groupby("Continent")[["beer_servings", "spirit_servings", "wine_servings"]].mean()

这里使用groupby函数将数据按照大洲进行分组，然后使用mean函数计算每个大洲的平均啤酒、烈酒和红酒的消费量。

（4）分别输出啤酒、烈酒和红酒消费量最高的国家：

print("啤酒消费量最高的国家：", df.loc[df["beer_servings"].idxmax()]["Country"])
print("烈酒消费量最高的国家：", df.loc[df["spirit_servings"].idxmax()]["Country"])
print("红酒消费量最高的国家：", df.loc[df["wine_servings"].idxmax()]["Country"])

这里使用idxmax函数找到每种酒的消费量最高的行索引，然后使用loc函数找到对应的国家名称。