数据清洗（data cleaning）

现实世界里的数据来时是乱的，就像刚从田里拔出、还沾满泥土的蔬菜。有错别字、空白格、五花八门写法的日期、带着多余货币符号的价格，同一位顾客以略有出入的名字被录入了两遍。数据清洗，就是在模型见到它之前，把这一切洗净、理顺的那份不光鲜却必不可少的工作。

具体说来，清洗包括：修正或剔除明显错误，统一格式（同一种日期写法、同一种度量单位），去除重复行，规范文本（让「NYC」和「New York City」被认作同一地方），决定如何处理缺失值，以及标出不可能的条目，比如一个200岁的人或负数的体重。目标是得到准确、一致、可信的数据——未必完美，但要好到让其中的规律是真实的，而非粗心造成的假象。

为何重要：垃圾进，垃圾出。模型会忠实地学到数据里的一切，包括其中的错误，因此脏数据会悄无声息地毒化下游的一切。实践中，数据科学家常常把一个项目的大部分时间花在清洗与准备上，而非建模本身。这活儿乏味，却往往正是模型可靠性获得最大提升的地方。