2. 数据清洗实战

数据清洗这件事，说白了就是跟脏数据打架。我做了这么多年项目，真正花在调模型上的时间，其实远没有花在洗数据上的多。你想想看，垃圾进垃圾出，模型再花哨也没用。

这一章咱们就聚焦两个最头疼的问题：缺失值和异常值。我会把我在实战中踩过的坑、用过的招，都摊开来跟你聊聊。

缺失值处理：别急着删，先看看情况

拿到数据第一件事，我习惯先跑个 df.isnull().sum() 看看缺失分布。但光看数量不够，你得知道缺失发生在哪些特征上、跟目标变量有没有关系。

方法一：直接删除

删除是最简单粗暴的方式，但用不好会出大问题。我个人习惯只在两种情况下用删除：

• 缺失比例极低（比如 < 5%），且样本量足够大
• 缺失完全随机，删除后不会引入偏差

# 删除含有缺失值的行
df_clean = df.dropna()

# 删除缺失比例超过50%的列
df_clean = df.dropna(thresh=len(df) * 0.5, axis=1)

方法二：均值/中位数/众数填充

这是最常用的方法，但不同场景要选不同的统计量：

数据类型	推荐填充方式	适用场景
连续型（正态分布）	均值填充	身高、体重、温度等
连续型（偏态分布）	中位数填充	收入、房价、点击量等
离散型/类别型	众数填充	性别、城市、产品类别等

# 均值填充
df['age'].fillna(df['age'].mean(), inplace=True)

# 中位数填充（收入通常偏态，用中位数更稳健）
df['income'].fillna(df['income'].median(), inplace=True)

# 众数填充
df['gender'].fillna(df['gender'].mode()[0], inplace=True)

方法三：模型预测填充

当缺失值不是随机缺失，或者缺失比例较高时，用简单统计量填充会引入较大偏差。这时候我会用模型来预测缺失值。

具体做法：把待填充的特征当作目标变量，用其他完整特征训练一个模型，然后预测缺失部分。

from sklearn.ensemble import RandomForestRegressor

# 假设 'age' 有缺失，用其他特征预测
train = df[df['age'].notna()]
test = df[df['age'].isna()]

X_train = train.drop(['age', 'target'], axis=1)
y_train = train['age']
X_test = test.drop(['age', 'target'], axis=1)

model = RandomForestRegressor(n_estimators=100)
model.fit(X_train, y_train)
predicted_ages = model.predict(X_test)

df.loc[df['age'].isna(), 'age'] = predicted_ages

异常值检测：找到那些「不对劲」的数据

异常值处理比缺失值更微妙。有些异常是噪声，需要剔除；有些异常是真正的信号，比如欺诈交易、设备故障前的异常波动。我的经验是：先检测，再判断，最后处理。

方法一：3σ 原则（拉依达准则）

这个方法假设数据服从正态分布，超出均值 ± 3 倍标准差的值视为异常。简单、直观，但局限性也很明显——对偏态分布不友好。

import numpy as np

def detect_outliers_3sigma(data, col):
    mean = data[col].mean()
    std = data[col].std()
    lower = mean - 3 * std
    upper = mean + 3 * std
    outliers = data[(data[col] < lower) | (data[col] > upper)]
    return outliers

# 使用示例
outliers = detect_outliers_3sigma(df, 'age')
print(f"检测到 {len(outliers)} 个异常值")

方法二：IQR 箱线图法

这个方法不依赖正态分布假设，用四分位数来定义异常边界。我个人更常用这个，因为它对偏态数据更稳健。

公式很简单：
下边界 = Q1 - 1.5 × IQR
上边界 = Q3 + 1.5 × IQR

def detect_outliers_iqr(data, col):
    Q1 = data[col].quantile(0.25)
    Q3 = data[col].quantile(0.75)
    IQR = Q3 - Q1
    lower = Q1 - 1.5 * IQR
    upper = Q3 + 1.5 * IQR
    outliers = data[(data[col] < lower) | (data[col] > upper)]
    return outliers

outliers = detect_outliers_iqr(df, 'income')
print(f"IQR方法检测到 {len(outliers)} 个异常值")

方法	优点	缺点
3σ 原则	计算简单，理论成熟	依赖正态分布，对极端值敏感
IQR 箱线图	不依赖分布假设，稳健	对样本量敏感，小样本时边界不稳定

方法三：DBSCAN 聚类检测

当数据维度较高，或者异常模式比较复杂时，我会用 DBSCAN。这个算法不需要预先指定聚类数量，能把密度低的点自动标记为异常。

from sklearn.cluster import DBSCAN
from sklearn.preprocessing import StandardScaler

# 标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(df[['age', 'income', 'spend']])

# DBSCAN 聚类
dbscan = DBSCAN(eps=0.5, min_samples=5)
labels = dbscan.fit_predict(X_scaled)

# 标签为 -1 的点就是异常点
df['is_outlier_dbscan'] = (labels == -1).astype(int)
print(f"DBSCAN检测到 {df['is_outlier_dbscan'].sum()} 个异常值")

知识体系总览

下面这张图把本章的核心内容串起来了，你可以对照着回顾一下：

实战建议：怎么选？

说了这么多方法，你可能会问：到底该用哪个？我的建议是分三步走：

1. 先看数据量：样本够多、缺失随机 → 删除；样本少、缺失有规律 → 填充。
2. 再看分布：正态分布用 3σ，偏态分布用 IQR，高维复杂数据用 DBSCAN。
3. 最后验证：处理前后跑一遍模型，看效果有没有提升。如果处理完反而变差了，说明方法选错了。