特征增强---清洗数据

使用数学变换增强给定的数据，但是并不删除或插入新的属性。
对非结构化数据进行结构化。
数据填充一一在原先没有数据的位置填充(缺失)数据。
数据归一化:
标准化(也称为z 分数标准化);
极差法(也称为min-max 标准化);
Ll和L2 正则化(将数据投影到不同的空间，很有趣)。

可以判断数据是否有结构。也就是说，我们的数据是否是漂亮的表格格式。如果不是，这一章将提供将数据表格化的工具。在创建机器学习流水线时，这一步必不可少。
数据填充是个特别有趣的话题。在数据中填充缺失的部分比昕起来要困难得多。
从最简单的方式(把有缺失值的特征删掉)讲到更有趣也更复杂的方式(在其他特征上进行机器学习，填充缺失值)。在填充大量缺失值后，就可以测量缺失值对机器学习算法的影响了。归一化是用(一般比较简单的)数学工具改变数据的缩放比例。还是一样，这可以很简单，例如将英里转换为英尺、将磅转换为千克;也可以很复杂，例如将数据投影到单位球体上。

每当遇见一个新的数据集或特征工程，都要进行测试。我们会根据不同的标准为各种特征工程方法打分，例如机器学习的性能、速度，等等。这一章的流程仅供参考，并不能作为指南，因为不能在忽略难度和性能的情况下选择特征工程方法。每个数据任务都有自己的注意事项，需要的流程可能和先前的不同。