在Python中，可以使用pandas庫進行數據清洗。pandas是一個強大的數據處理和分析庫，提供了豐富的功能來處理各種數據集。以下是一些常用的數據清洗方法：

1. 導入庫和數據集：

import pandas as pd

# 讀取CSV文件
data = pd.read_csv('your_file.csv')

2. 查看數據集的基本信息：

# 查看數據集的前幾行
print(data.head())

# 查看數據集的基本信息，包括列名、數據類型和非空值數量
print(data.info())

# 查看數據集的統計信息，包括均值、標準差、最小值、四分位數和最大值
print(data.describe())

3. 處理缺失值：

# 刪除包含缺失值的行
data = data.dropna()

# 用特定值填充缺失值
data = data.fillna(value)

# 用前一個值或后一個值填充缺失值
data = data.fillna(method='ffill')  # 使用前一個值填充
data = data.fillna(method='bfill')  # 使用后一個值填充

# 用插值法填充缺失值
data = data.interpolate()

4. 處理重復值：

# 刪除重復值
data = data.drop_duplicates()

5. 處理異常值：

# 使用Z-score方法檢測異常值
from scipy import stats
import numpy as np

z_scores = np.abs(stats.zscore(data))
threshold = 3
outliers = np.where(z_scores > threshold)

# 刪除異常值
for outlier in outliers[0]:
    data = data.drop(outlier)

6. 數據類型轉換：

# 將某列轉換為整數類型
data['column_name'] = data['column_name'].astype(int)

# 將某列轉換為浮點數類型
data['column_name'] = data['column_name'].astype(float)

# 將某列轉換為字符串類型
data['column_name'] = data['column_name'].astype(str)

7. 重命名列：

# 重命名列
data = data.rename(columns={'old_name': 'new_name'})

8. 選擇和過濾數據：

# 選擇特定列
selected_columns = data[['column1', 'column2']]

# 根據條件過濾數據
filtered_data = data[data['column'] > value]

9. 數據排序：

# 按某列升序排序
sorted_data = data.sort_values(by='column', ascending=True)

# 按某列降序排序
sorted_data = data.sort_values(by='column', ascending=False)

10. 數據分組和聚合：

# 按某列分組
grouped_data = data.groupby('column').mean()

# 對分組數據進行聚合操作，如求和、計數、最大值、最小值等
aggregated_data = data.groupby('column').agg({'column1': 'sum', 'column2': 'count'})

這些只是pandas庫中的一些基本功能，pandas還提供了許多其他功能來處理和分析數據。在實際應用中，可以根據需求選擇合適的方法進行數據清洗。