1.提出问题

2.理解数据

3.数据清洗

3.1删除重复值

我们选择首先删除数据的重复值，这可以避免后续无意义的运算。 数据>数据工具>删除重复值>全选

3.2处理缺失值

3.2.1书名

这一列有两种缺失值，一是【None】，二是【点击上传封面图片】，失去书名的记录没有利用价值，我们筛选出这两种情况并将其删除。

3.2.3页数、评论数

页数、评分和评论数的缺失值占比都很小，我们选择用平均值填充。 页数的数据类型混乱，需要做额外处理。 我们可以看到页数这一个字段下的数据非常混论，有些单元格含有字母、符号以及其它语言，我们把这些非数字的单元格以页数的平均值填充。 怎么从内容混乱的单元格内提取出只含有数字的单元格呢？ 筛选>条件格式>新建规则 选择”使用公式确定单元格格式”，我们使用公式”=ISNUMBER(-E2)”选出类型为数字的单元格，并以颜色填充。 以颜色筛选，算出所有数字单元格的平均值，以平均值填充None值。

3.3空格数据处理

我们使用TRIM()函数删除所有数据前后的空格。

3.4日期处理

对于出版日期中不规范的数据，如”2019.5.4”，用”/”替换掉”.”，选中”出版日期”，使用分列功能将出版日期整理成统一的日期格式。 数据>数据工具>分列>下一步>下一步>日期 对于出版日期，我们只需要年份就可以了，使用”LEFT()”函数，截取字符串前4位，结果发现有些数据是正常的，有些则是计算由1900年到单元格数据的时间间隔，两者数据不统一，那我们将出版日期用分列功能将其设置为文本，然后使用”LEFT()”函数截取年份。

4.数据分析及可视化

4.1最受欢迎的书籍（评分>9，评论数>5w）

隐藏其它字段，保留书名、评分和评论数： 可以看到，在这九本最受欢迎的书中，国内外经典文学占有四部，大家还是很喜欢经典文学的，科幻占两部，都是刘慈欣的《三体》。

4.3近十年出版最多的出版社

从表中筛选出版时间为2009-2019年的记录，插入数据透视表，选择出版社为行标签，ISBN为计数项，降序排列： 筛选出版批次前10的出版社并做成条形图： 可以看出中信出版社近十年出版书籍批次最多，远多于第二名人民邮电出版社和第三名机械工业出版社，第四名以后的出版社差距不是很大。

4.3评分和评论数量关系

5.总结