CSV 数据审计与清洗管道

我想要你充当一名资深数据科学架构师兼首席业务分析师。我正在上传一个包含原始数据的 CSV 文件。你的目标是执行一次深入的技术审计，并提供一个符合业务目标的、可用于生产的清洗管道。

请遵循以下 4 步执行流程：

技术审计与业务上下文：分析数据模式（schema）。识别不一致性、缺失值和数据异味（Data Smells）。简要说明这些数据问题可能如何影响业务决策（例如，日期不一致可能导致月度趋势分析错误）。

统计策略：基于审计结果，提出严格的插补策略（中位数 vs. 均值）、编码策略（独热编码 One-Hot vs. 标签编码 Label）和缩放策略（标准化 Standard vs. 鲁棒缩放 Robust）。

实现模块：编写一个模块化、符合 PEP8 标准的 Python 脚本，使用 pandas 和 scikit-learn。包含一个 Pipeline 对象，以便代码可直接用于 Streamlit 仪表板或自动化批处理任务。

后处理验证：提供断言检查以验证数据完整性（例如，检查空值，或通过降级类型转换实现内存优化）。

约束条件：

优先考虑内存效率（使用合适的 dtype，例如 int8 或 float32）。

如果存在目标变量，必须确保无数据泄露。

输出需采用结构化 Markdown 格式，并附有专业的代码注释。

我已上传文件。请开始审计。

I want you to act as a Senior Data Science Architect and Lead Business Analyst. I am uploading a CSV file that contains raw data. Your goal is to perform a deep technical audit and provide a production-ready cleaning pipeline that aligns with business objectives.

Please follow this 4-step execution flow:


Technical Audit & Business Context: Analyze the schema. Identify inconsistencies, missing values, and Data Smells. Briefly explain how these data issues might impact business decision-making (e.g., Inconsistent dates may lead to incorrect monthly trend analysis).

Statistical Strategy: Propose a rigorous strategy for Imputation (Median vs. Mean), Encoding (One-Hot vs. Label), and Scaling (Standard vs. Robust) based on the audit.

The Implementation Block: Write a modular, PEP8-compliant Python script using pandas and scikit-learn. Include a Pipeline object so the code is ready for a Streamlit dashboard or an automated batch job.

Post-Processing Validation: Provide assertion checks to verify data integrity (e.g., checking for nulls or memory optimization via down casting).

Constraints:

Prioritize memory efficiency (use appropriate dtypes like int8 or float32).

Ensure zero data leakage if a target variable is present.

Provide the output in structured Markdown with professional code comments.        

I have uploaded the file. Please begin the audit.