数据清洗关键在于精准识别与处理脏数据，需结合分布分析与业务规则校验、统一格式、少删多推并留痕、用模型反推验证效果，且须持续迭代。
数据清洗不是“做不做”的问题，而是“怎么做才不白干”的问题。很多训练失败，根源不在模型选型，而在清洗时漏掉了一个异常值、误删了一类有效样本、或把时间戳当字符串处理了。
识别脏数据：别只盯着缺失值
缺失值只是表象，真正要揪出来的是背后的数据逻辑断裂。比如用户行为日志里，“下单时间”早于“注册时间”，这种不可能事件比空字段更危险；又比如文本字段中混入了HTML标签或乱码字符，表面完整，实则污染后续分词和向量化。
- 用分布+业务规则双校验：画出数值字段的箱线图，再叠加业务常识（如“订单金额不能为负”“单次停留时长一般不超过24小时”）
- 对ID类字段检查重复率和唯一性断层（比如user_id跳变从1001直接到1005，中间缺3个，得确认是真实缺失还是采集丢失）
- 文本字段跑一遍正则清洗模板：去除不可见控制符（\x00-\x08,\x0B,\x0C,\x0E-\x1F）、截断超长无意义串（如连续50个“a”）、标记疑似注入内容（含<script>、onclick=等）</script>
统一格式：时间、编码、单位一个都不能松
模型不会理解“2023/01/01”和“2023-01-01”是同一个日期，也不会自动把“2.5万”转成25000。格式混乱会导致特征无法对齐，甚至让同一用户在不同批次中被当成两人。
- 时间字段强制转为ISO 8601标准（yyyy-MM-dd HH:mm:ss），并明确时区（优先转UTC，避免本地时间歧义）
- 所有文本读取时指定encoding='utf-8-sig'，防BOM头干扰；遇到解码错误先记录原始字节，再人工抽样判断是否需保留或替换
- 数值单位统一归一化：把“万元”“k”“M”等后缀全部转为基本单位（元、个、字节），并在字段名末尾加_ua（unit-adjusted）标注
处理缺失与异常：少删多推，留痕可溯
盲目删除样本等于主动缩小数据分布，尤其在线上小样本场景下，一次删10%可能就丢了关键长尾模式。更稳妥的方式是区分“可推断缺失”和“真缺失”，再分策略处理。
- 对连续型变量，用同类群组中位数填充（比如按“城市+年龄段+职业”分组后填各自中位数），比全局均值更鲁棒
- 对分类变量，新增unknown类别，而不是丢弃或随机填充——模型能学出“未知”本身携带的信息
- 所有清洗操作生成log文件：记录每行被改了什么、为什么改（如“row_12894: age=-1 → replaced with group median=32, rule=age_must_be_positive”）
验证清洗效果：用模型反推，不只看统计指标
清洗完跑describe()看均值方差没用。真正有效的验证，是把清洗前后的数据分别喂给同一个轻量模型（比如LogisticRegression或LightGBM小树），对比特征重要性排序变化、AUC波动、以及bad case分布偏移。
- 抽1%清洗后数据，人工抽检100条：重点看边界case（最大值、最小值、高频类别、空字段附近行）
- 做“逆向还原测试”：对清洗过的文本字段，尝试用正则或规则反向提取原始信息（如从“北京市朝阳区建国路8号”还原出“city=北京, district=朝阳区”），还原失败率＞5%就得回头调清洗逻辑
- 保存清洗前后各一份样本快照（各1000行），训练时固定用这两份做baseline对照，避免后期回溯时说不清哪步影响了结果
基本上就这些。清洗不是一步到位的工序，而是随着模型反馈不断迭代的活儿。每次上线新特征、接入新数据源、甚至更换业务口径，都得重新过一遍这四关。不复杂，但容易忽略。
