（1）将csv数据表读取为Excel数据表，并分析每个数据字段类型，使字段能进行统计、计算等（参与计算的单元格中的值，如果存在字符，需要把字符替换为空，例如：单元格的值为:1a23a<--,替换之后的单元格的值为123）。

要将CSV数据表读取为Excel数据表，并分析每个数据字段类型，以便进行统计和计算，通常需要遵循以下步骤：

1. **读取CSV文件**：首先，需要使用编程语言中的相应库来读取CSV文件。比如在Python中，可以使用`pandas`库的`read_csv`函数来读取CSV文件。

2. **数据清洗**：在读取CSV数据后，通常需要进行数据清洗。这包括处理缺失值、去除不需要的字符或空白字符等。例如，要将单元格中的字符替换为空，可以使用正则表达式配合`replace`函数进行处理。

3. **数据类型转换**：对每个数据字段进行类型分析，判断其是否为数值类型、日期类型或其他类型。对于数值类型，可能需要将混合了字符的数据清洗为纯数值，以便进行计算。

4. **数据统计和计算**：一旦数据类型被正确分析和转换，就可以进行各种统计和计算操作。比如计算平均值、总和、最大值、最小值等。

以下是一个使用Python和pandas库的简单示例代码：

import pandas as pd
import numpy as np

# 读取CSV文件
df = pd.read_csv('example.csv')

# 数据清洗，去除字符
def clean_data(value):
    return np.nan if pd.isna(value) else str(value).replace('[^\d.]', '', regex=True)

df_cleaned = df.applymap(clean_data)

# 分析每个数据字段的类型并转换
# 这里简化处理，假设所有列都是数值类型
df_numeric = df_cleaned.apply(pd.to_numeric, errors='coerce')

# 计算统计数据，例如每列的平均值
mean_values = df_numeric.mean()

# 输出处理后的数据和统计数据
print(df_numeric.head())
print(mean_values)

这段代码中，我们首先读取了CSV文件，然后定义了一个`clean_data`函数来清洗数据，将包含非数字字符的值替换为空（在pandas中表示为NaN）。接着，我们尝试将清洗后的数据转换为数值类型，并计算每列的平均值作为统计结果。