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"超市销售数据.csv"文件并查看前5行数据，这将帮助我们了解数据的基本结构。在Python中，可以使用pandas库来完成这个任务：

import pandas as pd

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

# 显示前5行数据
print(df.head())

数据清洗主要包括以下几个步骤：

1. **检查缺失值** (Missing Values):
使用`isnull()`函数检查是否有缺失值，然后可以使用`fillna()`或`dropna()`方法处理它们。例如，可以选择填充缺失值（如平均数、众数等）、删除含有缺失值的行或列。

   # 查找缺失值
   missing_values = df.isnull().sum()
   
   # 删除含有缺失值的行（可以根据情况选择）
   df = df.dropna()  # 或者填充缺失值

2. **检查重复值** (Duplicate Values):
使用`duplicated()`函数检测重复项，然后可以用`drop_duplicates()`方法去除重复的数据。

   # 查找重复行
   duplicate_rows = df.duplicated()

   # 删除重复行
   df = df.drop_duplicates()

3. **异常值处理** (Outliers Detection):
可能需要根据业务领域知识确定哪些数值被认为是异常的。通常，可以使用统计方法（如四分位数范围）或可视化工具来识别异常点。常见的库有`zscore`（基于标准差判断）或`IQR`（基于四分位距）。

4. **数据一致性检查** (Consistency Checks):
确保数据字段之间的一致性。比如，日期和时间字段应该符合正确的格式，商品编码应唯一等。这里需要根据具体数据特点来设计检查规则。

完成以上操作后，数据就进行了初步的清洗：

# 结果展示
print("清洗后的数据前5行:")
print(df.head())

# 结果展示（假设）
print("\n缺失值处理结果:")
print(missing_values)