将人均价格为空的记录设置为数据集中最常见的“人均价格”，并存储为cleaned_data_c2_N.csv，N 为修改的数据条数，注意数据中特殊符号(¥)的处理（结果文件中保存第一行字段数据

在数据分析或数据清洗过程中，如果你遇到有人均价格为空的情况，通常会采取填充法来处理缺失值。这里可以按照以下步骤操作：

1. 首先，你需要计算数据集中所有非空“人均价格”（假设列名为"Price_per_person"）的众数，这通常是最常见的数值。你可以使用pandas库中的`mode()`函数来找到众数。

import pandas as pd

# 加载原始数据
df = pd.read_csv('original_data.csv')

# 计算并获取人均价格的众数
common_price = df[df['Price_per_person'].notna()]['Price_per_person'].mode().values[0]

2. 然后，遍历整个数据集，检查每个记录的“人均价格”是否为空。如果为空，就将其替换为刚才计算出的众数：

df['Price_per_person'] = df.apply(lambda row: common_price if pd.isna(row['Price_per_person']) else row['Price_per_person'], axis=1)

3. 最后，统计修改了多少条记录（N），并保存这个计数到新的数据集描述中：

modified_count = df[df['Price_per_person'].isna()].shape[0]
N = modified_count

# 创建一个新的DataFrame来保存处理后的数据，并包含原字段名
cleaned_df = df[['字段1', '字段2', ..., 'Price_per_person']]  # 根据实际数据表填写列名

# 存储为CSV文件
cleaned_df.to_csv('cleaned_data_c2_' + str(N) + '.csv', index=False)

# 如果有特殊符号如¥，需要转换成统一格式，比如删除或转英文字符'YEN'
cleaned_df['Price_per_person'] = cleaned_df['Price_per_person'].str.replace('¥', '')