資料清洗（data cleaning）

現實世界裡的資料來時是亂的，就像剛從田裡拔出、還沾滿泥土的蔬菜。有錯別字、空白格、五花八門寫法的日期、帶著多餘貨幣符號的價格，同一位顧客以略有出入的名字被錄入了兩遍。資料清洗，就是在模型見到它之前，把這一切洗淨、理順的那份不光鮮卻必不可少的工作。

具體說來，清洗包括：修正或剔除明顯錯誤，統一格式（同一種日期寫法、同一種度量單位），去除重複列，規範文字（讓「NYC」和「New York City」被認作同一地方），決定如何處理缺失值，以及標出不可能的條目，比如一個200歲的人或負數的體重。目標是得到準確、一致、可信的資料——未必完美，但要好到讓其中的規律是真實的，而非粗心造成的假象。

為何重要：垃圾進，垃圾出。模型會忠實地學到資料裡的一切，包括其中的錯誤，因此髒資料會悄無聲息地毒化下游的一切。實踐中，資料科學家常常把一個專案的大部分時間花在清洗與準備上，而非建模本身。這活兒乏味，卻往往正是模型可靠性獲得最大提升的地方。