读入“catering_sale”文件，对其中数据进行检验和清洗。（重复值检验和清洗、缺失值检验和清洗、异常值检验和清洗）

为了读取并处理名为 "catering_sale" 的文件中的数据，我们需要遵循一些步骤来进行检验和清洗：

1. **打开并读取文件**：
首先，使用Python的内置函数 `open()` 或 pandas 的 `read_csv()` 函数读取 CSV 文件内容，假设该文件是一个逗号分隔值文件。

import pandas as pd

data = pd.read_csv('catering_sale.csv')

2. **检查重复值**：
使用 `duplicated()` 函数可以找出重复的行，然后我们可以选择删除重复项或仅保留第一条记录。

duplicates = data.duplicated()
# 删除重复项
data.drop_duplicates(inplace=True)
# 或者只保留第一条记录
data.drop_duplicates(keep='first', inplace=True)

3. **缺失值检验**：
可以通过 `isnull()` 和 `sum()` 函数查看是否有缺失值。

missing_values = data.isnull().sum()
print(missing_values[missing_values > 0])

如果发现缺失值，可以选择填充（如使用平均值、众数等）、删除含有缺失值的行或列，具体视数据的重要性而定。

4. **异常值检验**：
对数值型数据，可以用箱线图（Boxplot）检测异常值；对于非数值型数据，可以检查离群的数据点。可以使用Z-score 或 IQR 方法识别异常值。

Q1 = data.quantile(0.25)
Q3 = data.quantile(0.75)
IQR = Q3 - Q1
outliers = (data < (Q1 - 1.5 * IQR)) | (data > (Q3 + 1.5 * IQR))
data = data[~outliers]

这里我们移除了位于1.5倍四分位距之外的数据点，但这需要根据实际情况调整。