数据清洗是机器学习中的关键步骤，包括格式内容清洗、逻辑错误清洗、异常值清洗和缺失值清洗等。内容涉及时间日期、数值、全半角字符、矛盾内容、数据类型不符的处理，以及逻辑错误如数据重复、不合理值的清洗。异常值检测通过统计分析、箱线图等方法，异常值处理则需结合业务场景。缺失值处理包括删除、填充等策略，需根据数据缺失原因和比例来决定。非需求数据清洗则需谨慎避免误删重要信息。
文章系列：
特征工程系列：数据清洗
特征工程系列：特征筛选的原理与实现
特征工程系列：特征预处理
特征工程系列：特征构造
特征工程系列：时间特征构造以及时间序列特征构造
前言
数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。由此可见，特征工程在机器学习中占有相当重要的地位。在实际应用当中，可以说特征工程是机器学习成功的关键。
那特征工程是什么？
特征工程是利用数据领域的相关知识来创建能够使机器学习算法达到最佳性能的特征的过程。
特征工程又包含了Data PreProcessing（数据预处理）、Feature Extraction（特征提取）、Feature Selection（特征选择）和Feature construction（特征构造）等子问题，本章内容主要讨论数据预处理的方法及实现。
<
订阅专栏 解锁全文
502
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
