数据清洗这块绝对是重灾区。拿缺失值来说，之前傻乎乎地直接dropna()，结果样本量骤降三分之一。后来学会用Pandas的isnull().sum()先摸清底细，发现不同字段得区别对待：数值型用fillna(mean())，分类变量干脆单独标成"未知"类别。特别是遇到年龄字段有5%缺失时，如果用中位数填充反而比直接删除更保留分布规律。这里推荐试试Scikit-learn的SimpleImputer，支持中位数、众数、常量多种填充策略，配合Pipeline还能避免数据泄露。
异常值处理有个血泪教训。有次发现某型号车的里程数居然有998万公里，追查发现是数据录入时把"未登记"错误编码成9999999。这种明显超出三倍标准差的极端值，用箱线图或describe()查看五数概括最直观。处理时不要暴力删除，可以按1%~99%分位数进行Winsorize缩尾，或者对连续变量做log(1+x)变换。上次对房价数据取对数后，偏度系数从9.8直接降到0.3，效果立竿见影。
类别特征编码这块坑最多。最开始用LabelEncoder把颜色['红','蓝','红']转成[0,1,0]，结果模型误以为蓝色大于红色。后来改用OneHotEncoder生成哑变量，但遇到"车辆品牌"这种有50多个取值的字段，维度爆炸直接拖垮训练效率。这时候其实可以用均值编码------比如按每个品牌对应的价格均值来编码，既保留信息又控制维度。现在更推荐category_encoders库，支持TargetEncoder、CountEncoder等十多种编码方式，还能自动处理未见过的类别。
特征工程才是真正拉开差距的地方。之前预测餐厅销量时，把"开业日期"转换成"经营年限"后，特征重要性排名从末尾跃升到前三。时间序列里经常要提取年月日、是否节假日；地理信息可以计算周边竞品密度；文本描述先用jieba分词再统计词频。最近用featuretools库自动生成特征，通过对客户交易表进行深度特征合成，半小时就构造出"最近三个月退款率"这类业务特征，比手工效率提升十倍不止。
数据标准化经常被新手忽略。上次用KNN算法时，因为年龄范围0-100而收入范围0-500000，模型完全被收入特征主导。后来在Sklearn里比较了StandardScaler和MinMaxScaler，发现带正则化的线性模型用标准化，图像处理用归一化更合适。特别注意要先拆分训练测试集再分别标准化，用训练集的scaler去transform测试集，这是最容易犯的错误之一。
最后安利几个高效工具链。Pandas_profiling三行代码生成数据报告，能直观看到缺失值分布和相关性矩阵；Sklearn的ColumnTransformer可以对数值型和分类型特征并行处理；再用Pipeline把预处理和模型打包成统一流程，测试集上直接transform一路到底。最近在用的ydata-profiling更强大，连数据质量报告和版本对比都能生成。
其实机器学习项目里大约60%时间都花在数据处理上，但这部分投入绝对物超所值。记得刚开始总想跳过预处理直接建模，结果在垃圾数据上堆再复杂的模型也是白搭。后来坚持用Python这套工具链认真做完数据清洗、特征工程、数据标准化三板斧，哪怕用最简单的随机森林，效果都比在脏数据上跑XGBoost强得多。各位在实战中有什么数据处理的心得体会，欢迎在评论区交流拍砖。