fitten code可一键生成电商销售数据清洗与分析脚本：自动处理空值、异常价格、城市名大小写、日期格式等问题，并支持追加分析及编码适配。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要在10分钟内完成一个电商销售数据的清洗与基础分析，但原始CSV里混着空值、异常价格、城市名大小写不一致、日期格式混乱等问题，手动写Pandas代码太耗时又容易漏项。
用Fitten Code一键生成清洗脚本
打开Fitten Code网页端或VS Code插件，确保已登录并选择Python环境。
在提示框中输入完整需求描述：“读取sales_data.csv，清洗字段：price列删除负数和超过10万元的异常值；city列统一转小写并去除首尾空格；order_date列解析为datetime类型，无法解析的设为NaT；对缺失值，数值列用中位数填充，分类列用‘unknown’填充；最后保存为cleaned_sales.csv。”
点击“生成代码”按钮，等待3～5秒，AI返回带详细注释的完整脚本，含pandas导入、异常处理try-except块、以及每步操作的说明。
【必须检查生成代码中的文件路径是否与你本地实际路径一致】比如脚本默认写的是"sales_data.csv"，而你文件叫"2024_q3_sales.csv"，需手动替换两处路径——读取和保存位置。
快速验证清洗效果
运行生成的脚本，观察控制台输出：
若看到“✅ 缺失值已按类型分别填充”“✅ order_date列成功转换为datetime64[ns]”等绿色确认信息，说明核心清洗逻辑执行成功。
若报错“KeyError: ‘price’”，立刻停用脚本——这表示原始CSV中实际列名是'unit_price'或'amount'，不是你描述的'price'。此时不要改代码，直接复制错误信息+原始CSV前5行（用pandas.read_csv(..., nrows=5)快速查看），重新提交给Fitten Code并强调“请先自动探测真实列名再生成清洗逻辑”。
追加分析模块：三步导出关键指标
方法一：在原脚本末尾追加以下三行代码（无需重跑整个清洗流程）：
print("? 销售额TOP5城市：")
print(df.groupby('city')['price'].sum().sort_values(ascending=False).head(5))
print("\n? 各月订单量趋势：")
print(df['order_date'].dt.to_period('M').value_counts().sort_index())
方法二：用Fitten Code新起一轮对话，输入：“基于已清洗的DataFrame df，计算：1. 每个城市总销售额、平均订单价、订单数；2. 按月份统计订单量；3. 输出为Excel，sheet名分别为‘城市汇总’‘月度趋势’。”
AI将生成含openpyxl依赖、自动创建多sheet的完整导出代码，直接粘贴到脚本底部即可运行。
处理特殊字符与编码问题
第一步：运行清洗脚本前，先用文本编辑器（如VS Code）以UTF-8 with BOM方式打开原始CSV，确认中文城市名显示正常。若出现乱码（如“北京”），说明文件实际是GBK编码。
第二步：回到Fitten Code，重新提交需求，在开头明确加上“原始文件编码为gbk，读取时需指定encoding='gbk'”。AI生成的read_csv()语句会自动带上该参数。
第三步：若清洗后导出的Excel中文仍乱码，不要修改save()参数——这是Excel自身识别问题。直接双击打开Excel → 数据选项卡 → 从文本/CSV导入 → 选择对应CSV文件 → 编码选“UTF-8”或“GBK” → 完成。这一步绕过pandas.to_excel()的编码陷阱。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
