資料清理

資料清理（data cleaning）是修正原始資料問題、讓它值得信賴可供分析的過程：改正錯誤型別、統一不一致的標籤（「NY」「N.Y.」「New York」）、處理遺漏值、移除重複，以及揪出不可能的資料（例如年齡 200 歲）。

它出了名地是資料工作中最花時間的部分——實務上常說一個專案大半時間都耗在這裡。最重要的原則是：用程式清理，而不是手動改格子，這樣每一次更動都被記錄、可重複、可被檢視，而不是悄悄做了一個無法重現的修改。