1. Для проверки таблицы на пропущенные значения можно использовать метод .isnull() в pandas. Если в результате выполнения этого метода мы получим True, это означает, что значение в ячейке таблицы отсутствует. Далее, используя метод .dropna(), удалим строки с пропущенными значениями.
2. Для проверки таблицы на дублирующие значения можно использовать метод .duplicated() в pandas. Если в результате выполнения этого метода мы получим True, это означает, что данная строка является дубликатом. Далее, используя метод .drop_duplicates(), удалим дублирующиеся строки и заменим результаты.
3. Для вывода итоговой статистики по таблице, можно использовать функцию .describe() в pandas. Она вычисляет различные статистические характеристики, такие как среднее, стандартное отклонение, минимальное и максимальное значения.
4. Для вывода первых 30 строк таблицы можно использовать метод .head(30).
5. Для построения линейной регрессии можно использовать модуль sklearn. Сначала необходимо разделить данные на обучающую и тестовую выборки с помощью функции train_test_split. Затем создать модель линейной регрессии с помощью LinearRegression().fit(X_train, y_train), где X_train – признаки, y_train – целевая переменная из обучающей выборки. После обучения модели можно получить предсказания для тестовой выборки с помощью модели.predict(X_test).
6. Для построения графика с таблицей можно использовать библиотеку matplotlib.pyplot и вызвать функцию plot(data), где data – данные из таблицы.
