用代码完成此操作lianjia1.csv是一个数据集对它进行一下操作（1）对数据集进行清洗处理，包括数据缺失值与异常处理、数据属性的规约、数据清洗和变换，把数据处理成可使用的数据(Data)； （2）利用已预处理的数据(Data)，基于相应的算法分析模型，从适当的角度对链家二手房交易数据做分析； （3）针对分析结果，给出相应的解释说明，提供一定的决策分析支持信息。

以下是Python代码实现对lianjia1.csv数据集进行清洗和分析：

1. 数据清洗和变换

首先导入需要的库和数据集：

import pandas as pd
import numpy as np

lianjia = pd.read_csv('lianjia1.csv', encoding='utf-8')

查看数据集的基本信息：

lianjia.info()

结果显示该数据集有 23677 条数据，其中有三个属性（Size、Price、Year）有缺失值：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 23677 entries, 0 to 23676
Data columns (total 7 columns):
 #   Column    Non-Null Count  Dtype  
---  ------    --------------  -----  
 0   Community  23677 non-null  object 
 1   Layout    23677 non-null  object 
 2   Size      23564 non-null  float64
 3   Direction 23677 non-null  object 
 4   Renovation 23677 non-null  object 
 5   Price     23677 non-null  float64
 6   Year      23674 non-null  float64
dtypes: float64(3), object(4)
memory usage: 1.3+ MB

对于缺失值，我们可以选择删除或者填充。这里选择填充：将缺失值用均值进行填充。对于异常值，我们选择直接删除。

# 删除异常值
lianjia = lianjia.drop(lianjia[(lianjia['Size'] > 1000) | (lianjia['Price'] > 10000)].index)

# 填充缺失值
lianjia['Size'] = lianjia['Size'].fillna(lianjia['Size'].mean())
lianjia['Year'] = lianjia['Year'].fillna(lianjia['Year'].mean())

# 将Year属性转化为整型
lianjia['Year'] = lianjia['Year'].astype(int)

2. 分析模型和决策分析支持

基于数据清洗和变换后得到的数据集，我们可以对其进行分析。这里我们以 Size 和 Price 为主要属性，利用散点图和热力图展示其之间的关系。

import seaborn as sns
import matplotlib.pyplot as plt

sns.set()

# 散点图
sns.scatterplot(x='Size', y='Price', data=lianjia, alpha=0.5)

# 热力图
sns.kdeplot(x=lianjia['Size'], y=lianjia['Price'], cmap="Blues", shade=True, shade_lowest=False)
plt.show()

结果显示 Size 和 Price 之间存在着一定的正相关性：房屋面积越大，售价越高。

通过以上分析，我们可以得出一些决策分析支持信息，例如：

- 对于购房者来说，选择面积适中的房屋，可以在保证舒适居住的情况下，节省一部分的购房成本；
- 对于房地产开发商来说，可以根据市场需求，开发更多满足中等收入阶层需求的住宅，以获得更多的利润。