大模型开发：如何提升AI系统数据质量？数据清洗与预处理的关键步骤与案例解析！

AI女王

已于 2024-09-12 10:41:46 修改

阅读量994

点赞数 28

文章标签：人工智能大模型 ai AI大模型数据清洗大模型开发学习

于 2024-09-06 10:23:48 首次发布

本文链接：https://blog.csdn.net/m0_56255097/article/details/141952766

版权

在大模型系统的研发过程中，数据清洗和预处理是影响模型表现的关键步骤。高质量的数据不仅能提升模型的准确性和稳定性，还能显著降低研发成本和时间。

本文以客服系统为背景结合具体案例，详细介绍如何处理客服系统中的缺失值、重复值和异常值，并提供技术细节和常见问题的解决方案。无论你是AI领域的新手，还是有经验的从业者，都能从中获得宝贵的知识和实践经验。

一、处理缺失值：客服对话数据的清洗

1.1 缺失值的类型及其影响

在客服系统中，数据的缺失是一种常见现象，通常包括未填写的客户反馈评分、遗漏的客户身份信息、丢失的对话记录等。根据缺失值的产生原因，缺失值一般分为以下三类：

完全随机缺失（MCAR）：缺失值的出现与数据集中任何已知或未知的变量都没有关系。
随机缺失（MAR）：缺失值的出现与一个或多个已知变量有关，但与缺失值本身的具体值无关。
非随机缺失（MNAR）：缺失值的出现与它本身的值有关，例如客户不满意时更可能不提交反馈评分。

在客服系统中，处理这些缺失值非常重要，因为它们会影响数据的完整性和模型的准确性。

1.2 删除包含缺失值的记录

删除包含缺失值的记录是最简单的一种处理方式。此方法适用于以下场景：

缺失值比例较低：当缺失值占比小于总体数据的5%时，删除这部分数据通常不会对整体数据分布产生明显影响。
重要字段缺失：某些字段（如客户的满意度评分）对于模型的训练至关重要，如果这些字段缺失，则这条记录的价值会大大降低，直接删除是合理的选择。

案例实践：

假设我们有一个客服对话数据集，其中部分对话记录缺失了客户的满意度评分。为了确保模型能够学习到有效的客户反馈信息，我们可以删除这些缺失评分的记录：

import pandas as pd

# 读取客服对话数据
data = pd.read_csv('customer_service_data.csv')

# 删除缺失满意度评分的记录
data_cleaned = data.dropna(subset=['satisfaction_score'])

注意事项：尽管删除缺失值是一种简单有效的处理方式，但在缺失值比例较高的情况下，大量删除记录可能会导致数据量不足，进而影响模型的泛化能力。

1.3 用特定值填充缺失值

当缺失值的比例较高或删除记录会导致数据量严重不足时，可以选择用特定值填充缺失值，如列的均值、中位数或众数。这种方法特别适合在以下情况使用：

数据分布较稳定：当某一字段（如年龄、收入）的值在总体数据中分布较为稳定时，可以用均值或中位数填充缺失值。
缺失数据相对随机：如果缺失值的产生没有明显的模式或偏向性，填充后不会对数据整体分布产生显著影响。

案例实践：

在客服对话记录中，某些客户的身份信息（如年龄、性别）可能会缺失，但这些信息对模型的分类和个性化服务非常重要。我们可以选择用众数或平均值填充这些缺失值：

# 用众数填充缺失的年龄信息
data['age'].fillna(data['age'].mode()[0], inplace=True)

# 用平均值填充缺失的反馈评分
data['feedback_score'].fillna(data['feedback_score'].mean(), inplace=True)

常见问题：在填充缺失值时，尤其是使用均值填充时，需谨慎处理异常值（如极端的高龄或高评分），否则会使得填充值偏离数据的真实分布。此外，填充后可能掩盖数据的本质特征，影响模型的预测能力。

二、处理重复值：合并和清理冗余数据

2.1 重复值的影响与识别

在客服系统的数据中，重复值通常表现为同一客户的多次相似反馈、重复的对话记录等。这些重复值不仅会占用存储空间，还可能导致模型对某些样本的过度拟合，从而降低模型的泛化能力。因此，合理处理重复值对于提高数据质量和模型的表现至关重要。

案例实践：

假设我们有一份客户反馈数据集，其中部分记录来自同一客户的多次相似反馈。我们可以使用Pandas库来识别并删除这些重复记录：

# 查找并删除重复的反馈记录
feedback_data = pd.read_csv('feedback_data.csv')
feedback_data_no_duplicates = feedback_data.drop_duplicates(subset=['customer_id', 'feedback_content'])

注意事项：在删除重复记录时，应确保保留最完整和最新的记录。对于部分重要的重复记录，也可以选择合并处理，而不是简单地删除。

三、处理异常值：识别和应对极端行为

3.1 异常值的定义与检测

异常值通常指那些远离数据集中其他观察值的记录，在客服系统中，异常值可能表现为客户异常长时间的对话、极端高的投诉频率或异常的反馈评分等。处理这些异常值有助于提高模型的稳健性，防止模型对异常数据过度拟合。

3.2 基于IQR法的异常值处理

四分位距法（Interquartile Range, IQR）是一种常用的异常值检测方法，适用于数据分布较为均衡的场景。IQR通过计算数据的第一四分位数（Q1）和第三四分位数（Q3）来确定异常值的边界。

案例实践：

假设我们在客服系统中收集了对话时长数据，我们可以使用IQR方法来检测并移除异常长的对话记录：

# 读取对话时长数据
conversation_data = pd.read_csv('conversation_data.csv')

# 计算四分位数和IQR
Q1 = conversation_data['duration'].quantile(0.25)
Q3 = conversation_data['duration'].quantile(0.75)
IQR = Q3 - Q1

# 过滤掉对话时长异常的记录
conversation_data_no_outliers = conversation_data[~((conversation_data['duration'] < (Q1 - 1.5 * IQR)) | (conversation_data['duration'] > (Q3 + 1.5 * IQR)))]

常见问题： IQR方法对长尾分布的数据可能不太有效。在这种情况下，IQR可能会标记一些有价值的长对话数据为异常，从而误导模型的训练。因此，在使用IQR法时，应结合数据的具体分布特点进行判断。

3.3 使用Z-Score法检测极端反馈评分

Z-Score方法通过标准化数据来识别异常值，尤其适用于数据接近正态分布的场景。Z-Score衡量的是数据点与平均值之间的距离，通常，Z-Score绝对值超过3的点被视为异常值。

案例实践：

在客户反馈评分中，如果评分数据接近正态分布，我们可以使用Z-Score方法识别并处理极端反馈评分：

# 读取对话时长数据
conversation_data = pd.read_csv('conversation_data.csv')

# 计算四分位数和IQR
Q1 = conversation_data['duration'].quantile(0.25)
Q3 = conversation_data['duration'].quantile(0.75)
IQR = Q3 - Q1

# 过滤掉对话时长异常的记录
conversation_data_no_outliers = conversation_data[~((conversation_data['duration'] < (Q1 - 1.5 * IQR)) | (conversation_data['duration'] > (Q3 + 1.5 * IQR)))]