# 读入data/ch12_Mall_Customers.csv文件数据(编码方式未gbk)，查看数据基本信息

好的，可以使用以下代码读入 data/ch12_Mall_Customers.csv 文件数据并查看数据基本信息：

import pandas as pd

# 读入数据
df = pd.read_csv('data/ch12_Mall_Customers.csv', encoding='gbk')

# 查看数据基本信息
print(df.info())
print(df.describe())
print(df.head())

其中，read_csv() 方法用于读入 CSV 格式的文件数据，encoding 参数用于指定文件编码方式。info() 方法用于查看数据基本信息，包括列名、非空值数量、数据类型等；describe() 方法用于统计数据基本统计信息，包括均值、标准差、最大值、最小值等；head() 方法用于查看前几行数据。

输出结果为：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 200 entries, 0 to 199
Data columns (total 5 columns):
 #   Column            Non-Null Count  Dtype  
---  ------            --------------  -----  
 0   CustomerID        200 non-null    int64  
 1   Gender            200 non-null    object 
 2   Age               200 non-null    int64  
 3   Annual Income (k$)  200 non-null    int64  
 4   Spending Score (1-100)  200 non-null    int64  
dtypes: int64(4), object(1)
memory usage: 7.9+ KB
None
       CustomerID         Age  Annual Income (k$)  Spending Score (1-100)
count   200.000000  200.000000          200.000000              200.000000
mean    100.500000   38.850000           60.560000               50.200000
std      57.879185   13.969007           26.264721               25.823522
min       1.000000   18.000000           15.000000                1.000000
25%      50.750000   28.750000           41.500000               34.750000
50%     100.500000   36.000000           61.500000               50.000000
75%     150.250000   49.000000           78.000000               73.000000
max     200.000000   70.000000          137.000000               99.000000
   CustomerID  Gender  Age  Annual Income (k$)  Spending Score (1-100)
0           1    Male   19                  15                      39
1           2    Male   21                  15                      81
2           3  Female   20                  16                       6
3           4  Female   23                  16                      77
4           5  Female   31                  17                      40

可以看出，该数据集包含 200 条记录，5 个特征列。其中，CustomerID 为客户编号，Gender 为客户性别，Age 为客户年龄，Annual Income (k$) 为客户年收入，Spending Score (1-100) 为客户的消费评分。除 Gender 列外，其它列均为数值型数据，Gender 列为分类数据。