数据清洗与特征工程：从问题判定到特征构建
数据清洗处理原始数据中的缺失、异常、重复与格式问题，特征工程将清洗后的字段转换为可建模的特征矩阵。本节将两者合并说明，前一部分按问题类型说明判定依据与处理方式，后一部分说明字段到特征的转换过程。
原始数据在采集与入库过程中会引入多类质量问题：字段缺失、取值范围异常、同一实体对应多条记录，以及以文本形式存储的数值字段。处理这些问题时，处理方式过强（例如直接删除含缺失或极端取值的记录）会损失有效样本并改变分布形态；处理不足则会影响后续统计与建模的可靠性。清洗完成后，字段在质量上已可用，但原始字段以业务可读的形式存储，而模型要求输入为数值型特征矩阵，二者之间仍需一次转换。
因此，本节按两个阶段展开：清洗阶段 处理缺失值、异常值、重复值与字段规范化，并以三级校验规则收束；特征工程阶段 按"特征派生 → 多值处理 → 时间与分箱 → 分组聚合 → 数据合并 → 特征编码 → 多源对齐"的顺序转换字段。实现基于 pandas 2.0+、NumPy 1.26+ 与 scikit-learn 1.3+，运行环境为 Python 3.10+；示例中的字段名（如 intern_id、salary_raw）取自项目实际数据表。
1 缺失值：识别与处理
1.1 缺失规模统计
缺失值的处理方式取决于其性质，因此第一步是统计各字段的缺失规模，再判定缺失类型。
pandas 提供 isna / isnull（二者等价）用于判定缺失，notna / notnull 用于判定非缺失。先做一次缺失统计，同时考察缺失数量与比例，据此定位问题集中的字段：
python
import pandas as pd, numpy as np
df = pd.DataFrame({"年龄": [23, np.nan, 29, 40], "城市": ["北京", "上海", None, "深圳"]})
print(df.isna().sum()) # 每列缺失数
text
年龄 1
城市 1
dtype: int64
python
na = df.isna()
report = pd.DataFrame({"缺失数": na.sum(), "缺失率": na.mean().round(4)})
print(report.sort_values("缺失率", ascending=False))1.2 缺失的三种类型
在掌握缺失规模之后，需进一步区分缺失的性质。将不同性质的缺失混同处理，是清洗偏差的常见来源。缺失值至少可分为三类：
| 类型 | 例子 | 处理 |
|---|---|---|
| 真缺失 | 字段为空、未采集到 | 可填补（中位数 / 众数）或保留 + 缺失指示 |
| 占位符缺失 | -、--、null、None、无、未知 |
先统一转成 NaN，再按真缺失处理 |
| 语义缺失 | 薪资"面议"、时长"长期" | 不是缺失：单列标识，数值列留空 |
其中占位符缺失较为隐蔽。-、无、未知 等取值在形式上属于有效字符串，语义上却表示缺失；若未在预处理阶段统一转换为 NaN，后续统计与 dropna 均无法正确识别：
python
MISSING_TOKENS = {"", "-", "--", "null", "None", "nan", "无", "未知", "暂无"}
def unify_missing(df: pd.DataFrame, cols: list[str]) -> pd.DataFrame:
df = df.copy()
for c in cols:
df[c] = (df[c].astype("string").str.strip()
.replace(list(MISSING_TOKENS), pd.NA))
return df1.3 处理方式：删除与填补
在明确缺失性质之后，方可选择处理方式。处理动作可分为三类：删除、填补，以及保留缺失标记。
删除适用于两类情形：仅当关键字段缺失时删除记录，仅当字段缺失比例过高时整体删除该字段。dropna 默认删除含缺失值的行（axis=0），axis=1 时删除列：
python
df = df.dropna(subset=["intern_id", "detail_url"]) # 关键键缺失，删行
df = df.dropna(axis=1, thresh=int(0.6 * len(df))) # 缺失超 40% 的列整体丢弃其中 thresh=n 表示至少保留 n 个非缺失值，相较无参 dropna() 更为安全。
填补应按字段类型选择取值，避免以单一常数覆盖字段分布。数值型且分布右偏的字段宜采用中位数 （对极端值不敏感），类别型字段宜采用众数：
python
df["city"] = df["city"].fillna(df["city"].mode().iat[0]) # 类别 → 众数
df["company_size"] = df["company_size"].fillna(df["company_size"].mode().iat[0])
df["salary_min"] = df["salary_min"].fillna(df["salary_min"].median()) # 数值 → 中位数ffill 与 bfill 分别以前一行或后一行填补，其适用前提是数据具有顺序性（时间序列或有序快照）：
python
demo = pd.DataFrame({"年龄": [23, np.nan, 29, 40]})
print(demo.ffill()) # 前向填充：用上一行的 23
print(demo.bfill()) # 后向填充：用下一行的 29对无序数据施加前向填补，等同于将上一行的取值复制到当前行，属于引入伪数据。
1.4 缺失指示
第三类处理是缺失指示：填补会消除"原有缺失"这一信息，通过一个 0/1 列可将其保留，供后续分析判断缺失是否与目标相关：
python
df["city_isna"] = df["city"].isna().astype(int) # 先记标记
df["city"] = df["city"].fillna("未知") # 再填补2 异常值：统计离群与业务逻辑错误
异常值需区分两类情形：一是统计离群值 ，即分布上偏离主体的取值，但可能真实存在；二是业务逻辑错误，如薪资为负、截止日期早于发布日期。两类情形的处理方式不同：逻辑错误可以直接修正或置空，统计离群值则仅作标记，不轻易改动。
识别方法有三种，适用范围各异：
| 方法 | 适用 | 注意 |
|---|---|---|
| 业务阈值（条件筛选） | 有明确取值范围（年龄 0~100、每周到岗 1~7） | 适用于有取值范围约束的字段 |
| IQR（1.5 倍四分位距） | 分布未知、偏态数据 | 反映"统计上离群"，不代表取值错误 |
| Z-score（±3σ） | 近似正态 | 对右偏数据（如薪资）不适用，会将真实高值判为异常 |
python
def flag_outliers(s: pd.Series, k: float = 1.5) -> pd.Series:
q1, q3 = s.quantile([0.25, 0.75]); iqr = q3 - q1
return (s < q1 - k * iqr) | (s > q3 + k * iqr) # 只识别，不改值对统计离群值，处理方式以缩尾（将极端值压缩至分位点）为主，其优点是保留样本量并控制极端值的影响：
python
def winsorize(s: pd.Series, p: float = 0.01) -> pd.Series:
return s.clip(s.quantile(p), s.quantile(1 - p)) # 压到分位点，而非删除区分两类情形的意义在于：可确认为逻辑错误的取值（如薪资为负）应予修正或置空；无法确认的统计离群值则仅作标记，并在后续的分布审计与缩尾敏感性分析中检验其影响。直接删除离群值会移除真实的高薪或长周期样本。
3 重复值：数据粒度与业务唯一键
重复判定与数据粒度相关。df.drop_duplicates() 在缺省参数下按整行完全一致去重，难以识别仅关键字段重复的记录。实际去重应基于业务唯一键，并按粒度分层：实体层保证一岗一行，观测层保留同一岗位的最新观测。
python
df = df.drop_duplicates(subset=["intern_id"]) # 实体层：一岗一行
df = (df.sort_values("observed_at")
.drop_duplicates(subset=["intern_id", "detail_url"], keep="last")) # 观测层：保留最新同一岗位在不同时间被多次抓取时，intern_id 与 detail_url 均相同，仅观测时间不同。两个层次的去重目的不同，均需执行。
4 字段规范化
4.1 文本字段数值化
字段规范化将可读文本转换为可计算数值，是清洗中耗时较多的环节。
薪资字段的格式并不统一（如 150-200、200、100-150元/天），其中"薪资面议"应按语义缺失处理，而非赋值为 0：
python
def parse_salary(col: pd.Series):
col = col.fillna("")
negotiable = col.isin(["薪资面议", "", "nan", "None"]).astype(int) # 面议 ≠ 0 元
clean = col.str.replace("/天", "", regex=False)
rng = clean.str.extract(r"(\d+)-(\d+)").astype(float) # 100-200 → 上下限
single = clean.str.extract(r"^(\d+)$").astype(float) # 150 → 上下限同值
return negotiable, rng[0].combine_first(single[0]), rng[1].combine_first(single[1])对于时长、天数等含单位的文本字段，抽取首个数值即可：
python
def parse_first_number(s: pd.Series) -> pd.Series:
return pd.to_numeric(s.astype("string").str.extract(r"(\d+)")[0], errors="coerce")4.2 派生 → 核验 → 删除原字段
规范化不宜直接覆盖原字段，而应按"派生 → 核验 → 删除原字段"的顺序进行，以保证结果可回溯。派生得到新列后，通过抽样对账核验解析结果能否反查回原文本，核验通过再删除原字段：
python
# 1) 派生：从原始薪资文本解析出数值列
df["salary_negotiable"], df["salary_min"], df["salary_max"] = parse_salary(df["salary_raw"])
# 2) 核验：抽样对账------解析后的数值必须能反查到原文本
check = df.dropna(subset=["salary_min"]).sample(20, random_state=42)
assert check.apply(_traceable, axis=1).all(), "存在无法反查的解析结果"
# 3) 删原列：核验通过后，宽表只保留规范列（原文本另行留档）
df = df.drop(columns=["salary_raw"])5 数据校验：三级校验规则
清洗规则若仅依赖实现者的记忆，难以复核与复用。可将规则划分为类型、取值域与跨字段逻辑三个层级，逐层校验并统计违规数量：L1 类型 → L2 取值域 → L3 跨字段逻辑。
三个层级的含义与作用如下：L1 负责类型转换，将无法转为数值的取值置为缺失；L2 约束取值域，将超出合法范围的取值置空；L3 校验跨字段逻辑，仅作标记而不修改取值。函数在返回处理结果的同时输出清洗报告，记录各层级的违规数量：
python
def clean_and_validate(df: pd.DataFrame) -> tuple[pd.DataFrame, dict]:
report = {"rows_in": len(df), "issues": {}}
out = df.copy()
# L1 类型
out["salary_min"] = pd.to_numeric(out["salary_min"], errors="coerce")
out["salary_max"] = pd.to_numeric(out["salary_max"], errors="coerce")
# L2 取值域
out["days_per_week"] = pd.to_numeric(out["days_per_week"], errors="coerce")
out.loc[~out["days_per_week"].between(1, 7), "days_per_week"] = np.nan
out.loc[~out["degree"].isin({"不限", "大专", "本科", "硕士", "博士"}), "degree"] = None
# L3 逻辑（只标记，不静默修补）
out["salary_anomaly"] = np.where(
out["salary_min"].notna() & out["salary_max"].notna()
& ((out["salary_min"] <= 0) | (out["salary_max"] <= 0) | (out["salary_min"] > out["salary_max"])),
"非正数或上下限倒置", "")
report["issues"]["salary_anomaly"] = int((out["salary_anomaly"] != "").sum())
return out, report校验结果以报告形式留痕，用于核对各层级的问题数量。对关键字段，解析成功率应达到较高水平（项目中薪资解析成功率在 95% 以上），低于该水平时应检查解析规则本身。
6 特征派生与 schema 登记
清洗之后的字段进入特征工程阶段。特征派生即由已有字段计算新字段。单个派生操作较为直接，但派生字段增多后容易出现来源不清、口径不一致的问题。为便于追溯，派生按四步进行，并记录字段元信息：
text
派生(derive) → 核验(verify) → 删原列(drop) → 登记 schema(manifest)以薪资字段为例，由上下限派生出中点与区间宽度，并在派生后核验缺失比例：
python
def derive_salary(df: pd.DataFrame) -> pd.DataFrame:
df = df.copy()
df["salary_mid"] = (df["salary_min"] + df["salary_max"]) / 2 # 派生
df["salary_span"] = df["salary_max"] - df["salary_min"]
assert df["salary_mid"].isna().mean() < 0.05 or df["salary_min"].isna().all() # 核验
return dfschema 登记用于记录每个输出字段的类型、是否入模与含义，作为字段口径的统一来源：
python
COLUMN_SPEC = {
"salary_mid": ("float", False, "主目标，禁止进入 X"), # (类型, 是否入模, 说明)
"degree": ("category", True, "学历要求"),
"job_tags": ("list", False, "多值：建模阶段 multi-hot"),
}登记项中的"是否入模"用于区分特征与目标：目标字段（如 salary_mid）标记为不入模，避免其作为特征进入模型。
7 多值字段与多值编码
多值字段指单条记录对应多个取值的字段，例如一个岗位对应多个技能标签。若为每个标签单独建列，字段数量会随取值数量增长；更合适的做法是将其展开为 long-format，即一行对应"一个实体与一个取值"的对应关系：
python
df["job_tags"] = df["job_tags_detail"].fillna("").str.split("、")
membership = (df.explode("job_tags")[["job_id", "job_tags"]]
.rename(columns={"job_tags": "skill"}))
text
job_id skill
0 J001 Python
0 J001 MySQL
1 J002 Java该形式的两个用途：一是可直接统计各技能的出现频次；二是建模阶段可按出现阈值筛选后 pivot 为 multi-hot 向量，既能控制特征维度，也保留了技能之间的共现关系。
8 时间处理与分箱
时间字段应先解析为 datetime，再按分析需要派生粒度：
python
df["publish_time"] = pd.to_datetime(df["publish_time"], errors="coerce")
df["publish_month"] = df["publish_time"].dt.to_period("M").astype(str)
df["publish_hour"] = df["publish_time"].dt.hour连续数值常需离散化，pandas 提供两种方式，区别在于切分依据：
cut：按业务阈值切分，各区间宽度由取值决定；qcut：按分位点切分，各区间样本量相近，适用于分组对比。
python
df["salary_level"] = pd.cut(df["salary_mid"], [0, 100, 200, 400, float("inf")],
labels=["低", "中", "较高", "高"])
df["salary_quartile"] = pd.qcut(df["salary_mid"], 4, labels=False) # 等频当分组结果需按业务含义解释时使用 cut；当分组用于比较且需避免某组样本过少时使用 qcut。
9 分组聚合与数据合并
9.1 分组聚合：agg 与 transform
groupby 用于按类别聚合数值。使用时需区分 agg 与 transform：前者对每组输出一行（降维汇总），后者保持原行数并将组内统计量广播回原表，因而可直接作为特征：
python
df = pd.DataFrame({"岗位": ["A", "A", "B", "B", "C"], "薪资": [100, 150, 200, 250, 300]})
print(df.groupby("岗位")["薪资"].mean())
text
岗位
A 125.0
B 225.0
C 300.0
Name: 薪资, dtype: float64
python
df["岗位均值"] = df.groupby("岗位")["薪资"].transform("mean") # 行数不变，可作特征9.2 合并与拼接：merge 与 concat
merge 按连接键合并两张表。其常见问题是行数放大：当右表的连接键存在重复时，左表每一行将匹配出多条记录，结果表随之膨胀。因此合并前应先校验右表键的唯一性，并在合并后核对行数：
python
def safe_merge(left: pd.DataFrame, right: pd.DataFrame, on, how: str = "left") -> pd.DataFrame:
dup = int(right.duplicated(subset=on).sum())
assert dup == 0, f"右表键有 {dup} 条重复，merge 会放大行数"
n0 = len(left)
merged = left.merge(right, on=on, how=how)
assert len(merged) == n0 if how == "left" else True
return mergedconcat 用于行列方向的拼接（多批次、多来源、结构相同的数据），不涉及键校验：
python
df_all = pd.concat([df_2024, df_2025], ignore_index=True) # 纵向堆叠concat 仅作拼接、不检查键关系；需要按键匹配时应改用 merge。
10 特征编码与多源对齐
类别与多值特征需编码为数值向量，常用 OneHot 编码。编码环节需注意拟合数据的范围：编码器只在训练集上拟合，再作用于验证集与测试集，否则编码器会引入测试集信息，导致评估结果偏乐观：
python
from sklearn.preprocessing import OneHotEncoder
enc = OneHotEncoder(handle_unknown="ignore")
enc.fit(train[["degree"]]) # 只在训练集拟合
X_train = enc.transform(train[["degree"]])
X_valid = enc.transform(valid[["degree"]]) # 用同一编码器handle_unknown="ignore" 用于处理推理阶段出现的、训练集中未见过的类别取值。多值字段的 multi-hot 编码遵循同一原则，阈值与列集合同样在训练集上确定。
合并来自不同来源的数据前，需依次完成四项对齐：
| 步骤 | 做法 |
|---|---|
| 键规范化 | 去空格、全半角统一（低风险归一化） |
| 粒度对齐 | 统一到同一粒度再连 |
| 时序对齐 | as-of join （pd.merge_asof），只取"当时可得" |
| 连接语义 | 明确 how 与唯一键 |
其中时序对齐用于避免引入未来信息：对每条观测匹配"截至该时点最新"的画像，而不是匹配全期最新的画像：
python
# as-of：给每条观测匹配"截至该时点最新"的画像，避免引入未来信息
merged = pd.merge_asof(left.sort_values("ts"), right.sort_values("ts"),
on="ts", by="company_id", direction="backward")11 项目结果
图 1 为正式薪资分析样本的构成与岗位描述处理结果：
python
# 来源：scripts/ch4_lifecycle/08_figures.py
import matplotlib.pyplot as plt
overview = _read('ch4/21_eda_statistical_analysis.xlsx', '01_样本概况').set_index('指标')['数值']
scope = _read('ch6/19_skill_eda_scope_audit.xlsx', '01_样本统计范围').set_index('统计范围')
values_a = [int(overview['全量岗位数（EDA 分析单元）']),
int(overview['正式薪资分析样本']) + int(overview['薪资逻辑异常岗位数']),
int(overview['正式薪资分析样本'])]
values_b = [int(scope.loc['REQUIREMENT_SECTION', '岗位数']),
int(scope.loc['FULL_TEXT_FALLBACK', '岗位数']),
int(scope.loc['EMPTY_TEXT', '岗位数'])]
fig, axes = plt.subplots(1, 2, figsize=(_w(15.5), 3.2))
ax = axes[0]
labels = ['唯一岗位', '明确薪资\n可解析', '纳入薪资\n分析']
positions = np.arange(len(labels))[::-1]
ax.barh(positions, values_a, height=0.58, color=plot_style.MAIN_COLOR,
edgecolor='black', linewidth=0.5)
ax.set_yticks(positions)
ax.set_yticklabels(labels)
span = float(max(values_a))
for position, value in zip(positions, values_a):
ax.text(value + span * 0.02, position, f'{value:,}', va='center', ha='left',
fontsize=plot_style.FONT_SIZES['annotation'])
ax.set_xlim(0, span * 1.30)
ax.set_xlabel('岗位数（个）')
ax.set_ylabel('岗位样本')
plot_style.apply_sci_axis(ax, grid_axis='x')
plot_style.format_integer_axis(ax, axis='x')
plot_style.add_subfigure_caption(ax, 'a', '正式薪资分析样本构成')
ax2 = axes[1]
labels2 = ['明确要求\n段落匹配', '全文补充\n匹配', '无可用\n岗位描述']
positions2 = np.arange(len(labels2))[::-1]
ax2.barh(positions2, values_b, height=0.58, color=plot_style.ACCENT_COLOR,
edgecolor='black', linewidth=0.5)
ax2.set_yticks(positions2)
ax2.set_yticklabels(labels2)
span2 = float(max(values_b))
for position, value in zip(positions2, values_b):
ax2.text(value + span2 * 0.02, position, f'{value:,}', va='center', ha='left',
fontsize=plot_style.FONT_SIZES['annotation'])
ax2.set_xlim(0, span2 * 1.30)
ax2.set_xlabel('岗位数（个）')
ax2.set_ylabel('岗位描述状态')
plot_style.apply_sci_axis(ax2, grid_axis='x')
plot_style.format_integer_axis(ax2, axis='x')
plot_style.add_subfigure_caption(ax2, 'b', '岗位描述的技能提取结果')
fig.subplots_adjust(left=0.135, right=0.985, bottom=0.30, top=0.965, wspace=0.55)
plt.show()
左图给出进入薪资分析的样本构成：从 17,144 个唯一岗位实体出发，14,899 个岗位的薪资可明确解析，扣除逻辑异常的 16 个后，得到 14,883 个正式薪资样本；另有 2,245 个岗位薪资为"面议"，按语义缺失以单列标识，未置为 0，因此不进入薪资分析样本。右图给出岗位描述形成技能信息的比例，对应文本侧的清洗与可用性判定。
图 2 为薪资中点的分布与经验累积分布（n = 14,883）：
python
# 来源：scripts/figures/base/01_eda_modeling_figures.py
stats = table(TABLE_29, '02_薪资描述统计').set_index('指标')['数值']
median = float(stats['中位数'])
p90 = float(stats['P90'])
values = pd.read_parquet(project_paths.PROCESSED_DIR / 'job_salary_model_dataset.parquet',
columns=[SALARY_COLUMN])[SALARY_COLUMN].dropna().to_numpy()
fig, axes = plt.subplots(1, 2, figsize=_size(layout, 8.2, 4.2))
ax = axes[0]
plot_style.hist_discrete(ax, values, discrete=False, bins=40,
xlabel=SALARY_LABEL, ylabel='岗位数')
ax.axvline(median, color=plot_style.MUTED_COLOR, linestyle='--', linewidth=0.9)
ax.axvline(p90, color=plot_style.MUTED_COLOR, linestyle=':', linewidth=0.9)
plot_style.apply_sci_axis(ax, grid_axis='y')
plot_style.format_integer_axis(ax, axis='y')
top = ax.get_ylim()[1]
ax.text(p90 * 1.03, top * 0.90, f'P90 = {p90:,.0f}', ha='left', va='top',
fontsize=plot_style.FONT_SIZES['annotation'])
plot_style.add_subfigure_caption(ax, 'a', '薪资中点分布（虚线为 P50 / P90）')
ax2 = axes[1]
ordered = np.sort(values)
ecdf = np.arange(1, len(ordered) + 1) / len(ordered)
ax2.plot(ordered, ecdf, color=plot_style.MAIN_COLOR, linewidth=1.1)
ax2.axhline(0.5, color=plot_style.MUTED_COLOR, linestyle='--', linewidth=0.9)
ax2.axvline(median, color=plot_style.MUTED_COLOR, linestyle='--', linewidth=0.9)
ax2.text(median * 1.06, 0.52, f'中位数 = {median:,.0f}', ha='left', va='bottom',
fontsize=plot_style.FONT_SIZES['annotation'])
ax2.set_xlabel(SALARY_LABEL)
ax2.set_ylabel('累计占比')
ax2.set_ylim(0, 1.02)
plot_style.apply_sci_axis(ax2)
plot_style.format_percent_axis(ax2, axis='y')
plot_style.add_subfigure_caption(ax2, 'b', '薪资中点经验累积分布')
_adjust(fig, layout, left=0.11, wspace=0.30, bottom=0.32)
plt.show()
薪资中点中位数为 175 元/天，均值为 192.87（均值高于中位数，与右偏分布一致），IQR 为 90，P10 与 P90 分别为 110 与 300。分布呈明显右偏并带长尾。这一形态说明：长尾对应真实存在的高薪岗位，若按 IQR 直接删除会破坏分布结构；处理方式为对极端值作缩尾并保留标记，同时在稳健性实验中比较缩尾前后的结果差异。
12 小结
原始数据的质量问题可分为缺失、异常、重复与格式四类，处理方式取决于问题的性质而非统一规则：缺失值需先区分真缺失、占位符缺失与语义缺失，占位符先归一为 NaN，语义缺失以单列标识；填补按字段类型选择统计量，并以缺失指示列保留原有缺失信息。异常值需区分统计离群值与业务逻辑错误，前者以缩尾和标记处理，后者可直接修正或置空。去重以业务唯一键为依据，并区分实体层与观测层。字段规范化按"派生 → 核验 → 删除原字段"进行，以保证可回溯。上述规则以类型、取值域与跨字段逻辑三个层级组织，校验结果以报告留痕。
字段到特征的转换包含若干相互衔接的步骤：派生新字段并按"派生 → 核验 → 删除原字段 → schema 登记"记录口径；多值字段展开为 long-format，建模阶段按阈值转为 multi-hot；时间字段解析后按业务阈值（cut）或分位点（qcut）分箱；分组聚合区分 agg 与 transform，后者可用于构造特征。合并前需校验右表键的唯一性，避免行数放大；编码器只在训练集上拟合，以保证评估结果不受测试集信息影响；多源数据在键、粒度与时序三个层面完成对齐，其中时序对齐使用 as-of join 以避免引入未来信息。
13 延伸参考
- 相关文章：5. Pandas 缺失值与异常值处理、7. Pandas 字符串与类别数据处理、10. Pandas 分组与聚合分析（groupby）、11. Pandas 数据分类与区间分组（cut 与 qcut）、12. Pandas 数据合并与拼接（concat 与 merge）、15. Pandas 综合实战案例（零售数据分析）；
上一篇：02 数据采集与存储 ｜ 下一篇：04 文本处理与信息抽取