本项目旨在通过对2020年美国总统选举期间的政治捐款数据进行探索与清洗，分析竞选活动中的财务交易情况。新冠疫情引发的大量失业和经济困境，使政府的应对措施成为选民关注的焦点。本研究通过整合和分析政治捐款数据，揭示了不同候选人在疫情和政治危机背景下的捐款来源和支持群体，提供一个完整的数据处理和分析流程，为选举财务数据的研究提供参考框架。
- 组长（修雯天）：负责整体项目协调和进度把控，确保团队合作顺利进行。
- 数据工程师（周昕祺）：负责数据获取与预处理，使用Python中的pandas库进行数据清洗和合并，确保数据的准确性和一致性。
- 分析师（朱文）：负责模型构建与分析，进行统计分析，发现数据中的关键财务模式和趋势。
- 可视化专家（庄豪）：负责结果展示，制作可视化图表，帮助直观地展示研究发现。
- 报告编写员（周寰）：负责整合和撰写报告，详细记录项目背景、方法、结果和结论。
本项目应用了pandas库中的数据合并和清洗函数，包括concat和merge等方法，成功整合了多个数据集，形成统一的分析基础数据集。针对数据中的缺失值和异常值进行了处理，通过填充缺失值、转换数据类型等方法，保证了数据的完整性和一致性。经过清洗后，数据集包含756,205条有效记录，覆盖多种数据类型和信息源。
- 数据格式不一致：不同数据集的格式存在差异。通过使用pandas库中的concat和merge函数，成功整合了各个数据集，形成了一个统一的分析基础数据集。
- 缺失值和异常值处理：数据集中存在大量缺失值和异常值。通过填充缺失值为“NOT PROVIDED”以及统一转换日期格式等方法，确保数据的完整性和一致性。
- 数据量大：处理和分析大规模数据集需要高效的计算和存储方法。我们采用pandas库进行了高效的数据处理和分析，确保项目的顺利进行。
本项目的亮点在于使用了系统化的数据处理方法，确保了数据的高质量和分析的准确性。通过对政治捐款数据的整合、清洗和分析，展示了一个完整的数据处理流程。这一流程不仅适用于政治捐款数据的处理，也可以推广应用到其他类型的大规模数据集的清洗和分析中，为相关领域的研究提供技术支持和方法借鉴。
通过对政治捐款数据的研究，我们揭示了2020年美国总统选举期间捐款来源和支持群体的变化，反映了社会在疫情和政治危机下的深刻分裂。这些发现对于分析选民行为和政治趋势具有重要的参考价值。理解捐款数据的意义，有助于揭示少数富裕个人和利益集团对政治的影响力，为未来的选举研究和政策制定提供重要依据。此外，本项目展示的数据处理和分析流程，也为其他类型的大规模数据集的研究提供了可借鉴的框架和方法。