趋近智
数据清洗与预处理入门
章节 1: 干净数据的重要性
什么是数据清洗？
什么是数据预处理？
常见数据质量问题来源
数据质量差的影响
数据清洗流程概述
第 1 章测验
章节 2: 识别和处理缺失数据
什么是缺失值？
检测缺失数据的方法
可视化缺失数据模式
策略一：删除行（行删除法）
策略二：删除列
策略三：基础值填充（均值/中位数/众数）
选择策略的考量
处理缺失数据：动手实践
第 2 章测验
章节 3: 处理重复数据
如何定义重复数据？
为何移除重复数据？
识别完全重复行
根据特定列识别重复项
移除重复行
处理重复数据：实践
第 3 章测验
章节 4: 修正数据类型
数据集中的常见数据类型
为什么正确的数据类型很重要
识别不正确的数据类型
转换为数字类型 (整数, 浮点数)
处理数值转换中的错误
转换为日期时间类型
转换为分类或字符串类型
数据类型修正：动手实践
第 4 章测验
章节 5: 数据格式化与标准化
统一格式的重要性
统一文本大小写（大写/小写）
去除前导/尾随空格
简单字符串替换
基本单位转换示例
格式化实操
第 5 章测验
策略二：删除列
这部分内容有帮助吗？
- Python for Data Analysis: Data Wrangling with Pandas, NumPy, and Jupyter, Wes McKinney, 2022 (O'Reilly Media) - Python数据操作的入门资源，涵盖使用pandas处理缺失数据和重构数据集的实用方法。
- Flexible Imputation of Missing Data, Second Edition, Stef van Buuren, 2018 (CRC Press) DOI: 10.1201/9780429492259 - 从统计和方法论角度详细阐述了缺失数据问题，讨论了包括删除在内的各种处理策略的假设和影响。
- pandas.DataFrame.drop, pandas development team, 2024 - 用于从DataFrame中删除指定行或列的pandas函数官方文档。
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, Aurélien Géron, 2022 (O'Reilly Media) - 讨论了数据预处理技术，包括缺失值处理，作为为机器学习模型准备数据的基本步骤。
© 2025 ApX Machine LearningEngineered with