1、数据清洗过程包括：选择子集、列名重命名、缺失数据处理、数据类型转换、数据排序及异常值处理 （1）选择子集 在我们获取到的数据中，可能数据量非常庞大，并不是每一列都有价值都需要分析，这时候就需要从整个数据中选取合适的子集进行分析，这样能从数据中获取最大价值。
2、Python语法简捷而清晰，具有丰富和强大的类库。它常被昵称为胶水语言，它能够很轻松的把用其他语言制作的各种模块（尤其是C/C++）轻松地联结在一起。课程将从Python的基本使用方法开始，一步步讲解，从ETL到各种数据分析方法的使用，并结合实例，让学员能从中借鉴学习。
3、Python中处理空值的方法比较灵活，可以使用Dropna函数用来删除数据表中包含空值的数据，也可以使用fillna函数对空值进行填充。Python中dtype是查看数据格式的函数，与之对应的是astype函数，用来更改数据格式，Rename是更改列名称的函数，drop_duplicates函数删除重复值，replace函数实现数据替换。
在全国医院数据库中查询2021年度药品销售数据，可以通过药品名称、活性成分、企业名称、靶点、规格、剂型等维度进行关键词的搜索然后在条件筛选中选择年份为“2021年”，就能查询到2021年的药品销售数据。
这个一般需要借助一些数据库查询，就比较简单。举个例子，比如说查询“阿普唑仑”，可以在药智数据全国医院的销售数据库中进行查询。可以在医院销售数据库中，搜索“阿普唑仑”，然后可以看到这个品种的生产企业，剂型个规格这样一个整体情况。数据库是从3个维度进行了分析。
药品销售数据查询主要有以下途径：购买收费的专业药品销售数据库，如IMS数据库、米内网数据库、PDB药物综合数据库等。某些收费的医药综合数据查询的网站，如医药魔方、药智网等可以查询部分产品的销售数据。通过上市公司年报公告查询，或许能获取某上市公司某一产品的销售情况及其竞争产品的销售情况。
如果要查询某一个上市企业的销量可以在他们企业年报中查询。如果要查询很多个，自己汇总又麻烦，建议您使用药智数据查询。药智数据-药品销售 意见搜索企业，即可查询销量/销售额信息。还可以按照剂型，活性成分等分析。
在调研或者分析药品市场时，都会了解的一个点就是：药品的销售情况，年、季度、月的药品销售量和销售额，用来分析某种药品在市场的占比、计算投入产出比，及时调整销售策略等，这些都能在数据库中能查询到药品的销售数据，提供某个药企、某种药品、某种适应症的市场竞争格局。
如果要查询某一个上市企业的销量可以在他们企业年报中查询。如果要查询很多个，自己汇总又麻烦，建议您使用药智数据查询。药智数据-药品销售 意见搜索企业，即可查询销量/销售额信息。还可以按照剂型，活性成分等分析。
药品销售数据查询途径，购买专业的药品销售数据库，如药融云数据库，IMS数据库，米内网等。药智网，医药魔方，药渡可以查询部分产品销售数据。
①首先进入医药数据库系统 ②数据目标药物信息，如名称、靶点、通用名、企业名、ATC分类 ③选择需要查询药物销量的时间，④点击搜索，在下面能看到查询结果，点击全局分析，能动态图表分析药物销量结果。⑤点击对应需要数据下载/导出，可对数据结果二次分析。
国家食品药品监督管理局（SFDA）点击进入网站---数据查询---点击要查询的药品范围（国产药品、进口药品、医疗器械等等）---输入要查询的信息（企业全称），就可以查询到了。
查询药品销售数据据的途径有很多，如果是上市企业可以查询企业年报，但一般不会全部公布，主要还是专业的数据库查询，现如今随着国内互联网的发展，医药数据库也是与时俱进，现在的医药数据库能查询很多数据包括药物研发数据，药物上市数据，药物销售数据等。
点击查询结果，可以查看年份、药品名称、剂型、活性成分、生产企业、销售额、集团/公司、靶点、药品类型等14个维度的数据信息。数据源均来自权威机构及官方，数据结果极具价值和参考意义。点击按企业浏览，可以查看各个生产企业不同维度的零售数据，数据维度包括“品种、活性成分、剂型、给药途径及企业分析”。
1、大数据模型建模方法主要包括以下几种： 数据清洗：这是大数据建模的第一步，主要目的是去除数据中的噪声、缺失值、异常值等，为后续的数据分析做好准备。数据清洗的方法包括数据过滤、数据填补、数据转换等。 数据探索：在数据清洗之后，需要进行数据探索，了解数据的分布、特征和关系。
2、以下是常见的大数据模型建模方法：数据挖掘：通过使用机器学习、人工智能等技术，对大量数据进行处理和分析，以发现数据之间的潜在关系和模式，从而为决策提供支持。统计分析：使用统计学的方法，对大量数据进行概率分布、回归分析等，以发现数据之间的关系和趋势，为企业的决策提供重要的参考。
3、企业每天都会输入大量的数据，而这些大数据大部分是无关紧要的。创建包含所有数据的模型是没有意义的。更好的方法是确定对企业来说至关重要的大数据，并对这些数据进行建模。
4、大数据分析建模方法主要有以下几种：描述型分析、诊断型分析、预测型分析和指令型分析。描述型分析是最常见的大数据分析方法，它通过数据可视化、数据分布、数据频数等方法，来描述数据的基本情况，让人们能够对数据有一个初步的了解和认识。