已知超市数据（data/超市销售数据.csv），请显示前5行数据，并对数据进行数据清洗，分别对其中的缺失值、重复值、异常值和不一致数据进行处理

首先，我会加载"data/超市销售数据.csv"文件并查看前五行数据，通常可以使用Pandas库在Python中完成这个操作：

import pandas as pd

# 加载数据
df = pd.read_csv('data/超市销售数据.csv')
print(df.head())

对于数据清洗，我们通常需要做以下几个步骤：

1. **检查缺失值**：

   # 查看缺失值
   missing_values = df.isnull().sum()
   print("缺失值统计：", missing_values)
   # 如果发现缺失值，可以选择删除含有缺失值的行（dropna）、填充特定值（fillna）、或者使用模型预测填充。

2. **处理重复值**：

# 检查并删除重复记录
if df.duplicated().any():
df = df.drop_duplicates()
print("已删除重复项")

3. **异常值检测**：
   可能需要根据业务知识或统计方法（如箱线图、Z-score等）识别异常值。例如，如果某列数值应该在一定范围内，超出范围的数据可能是异常值：

# 对于数值型数据，计算四分位数IQR
Q1 = df.quantile(0.25)
Q3 = df.quantile(0.75)
IQR = Q3 - Q1
outliers = (df < (Q1 - 1.5 * IQR)) | (df > (Q3 + 1.5 * IQR))
print("异常值：", outliers.any())
# 对于找到的异常值，可以选择删除、替换或标记它们。

4. **处理不一致数据**：
这可能涉及到数据类型错误、单位转换等问题，需要具体情况具体分析。例如，检查日期格式的一致性，统一商品编码格式等。

请注意，在实际操作之前，最好先了解数据的具体内容和业务背景，以便更准确地处理这些问题。此外，清洗后的结果需要保存到新的CSV文件中，以防原始数据丢失。