2、数据清洗（描述系统功能实现方法、运行方式、关键代码、结果截图）。（要求截图和关键代码背景为白色。要求仅截图关键代码，关键代码不超过一页，必须有对应的文字说明）

数据清洗是数据分析预处理阶段的重要步骤，其目的是清除数据集中的错误、缺失值、异常值，以及格式不一致等问题，以提高后续分析的准确性和效率。以下是数据清洗的一般实现方法：

1. **系统功能实现**：
- 数据清洗通常通过编程语言如Python或R实现，常用的库包括Pandas（Python）、dplyr（R）等。
- 使用DataFrame结构存储数据，并利用各种函数进行操作，如dropna()删除缺失值，replace()替换特定值，astype()转换数据类型。

2. **运行方式**：
- 通过编写脚本，对数据进行读取（如`df = pd.read_csv('data.csv')`），然后应用清洗规则。
- 遵循一定的逻辑顺序，比如先处理缺失值，再检查异常值。

**关键代码示例（假设使用Python和Pandas）**：

import pandas as pd

# 读取原始数据
data_df = pd.read_csv('raw_data.csv')

# 删除行中所有空值
data_df = data_df.dropna()

# 将非数字型的'age'列转换为整数
data_df['age'] = data_df['age'].str.replace('[^\d]', '').astype(int)

# 检查并替换异常值（这里举例使用Z-score方法）
z_scores = (data_df - data_df.mean()) / data_df.std()
data_df = data_df[(z_scores.abs() < 3).all(axis=1)]

# 结果保存
cleaned_df = data_df
cleaned_df.to_csv('cleaned_data.csv', index=False)

**文字说明**：上述代码首先导入了pandas库，接着读取CSV文件，去除含有全部空值的行。然后将年龄列中的非数字字符替换为空，转为整数类型。最后计算每个变量的标准差和平均值，如果某一行的z-score绝对值大于3（这通常是异常值的一个阈值），则移除该行。

**