数据清理试图填充缺失值，光滑噪声并识别离群点，纠正数据中的不一致。
1、缺失值的处理
（1）忽略元祖：有些数据挖掘算法可以自动忽略缺失数据
（2）人工填写缺失值：很费时，特别是缺失数据集较多时，不可实现
（3）使用一个全局常量填充缺失值：如Unknown
（4）使用属性的均值填充缺失值：平均工资
（5）使用与给定元祖属同一类的所有样本的属性均值：不同性别的平均工资
（6）使用最可能的值填充缺失值：基于推理的工具或决策树归纳确定
2、噪声数据处理
（1）噪声是被测量的变量的随机误差或方差。
（2）去噪的方法，可以光滑数据。
（3）数据光滑技术：1）分箱（binning）：通过考察数据的近邻来光滑有序数据的值，如箱中位数。
2）回归：用一个函数拟合数据来光滑数据，使得一个属性可以用来预测另一个。多元线性回归是线性回归的扩展，数据拟合到一个多维曲面。
3）聚类：可以通过聚类检测离群点，将类似的值组织成群或“簇”。
4）离散化的数据归约方法：概念分层，如将价格映射到价格便宜、适中和昂贵。
3、数据清理过程
step1：导致偏差的因素可能有多种，设计糟糕的数据输入表单、人为输入的错误、有意的错误、数据退化、不一致的数据表示和编码的不一致使用、记录数据的设备错误和系统错误、数据集成的错误。
偏差检测（discrepancy detection）：需要关于数据性质的知识（元数据），如每个属性的定义域和数据类型、每个属性可接受的值、值的长度范围、所有值是否落在期望的值域内、属性之间是否有依赖。
把握数据趋势和识别异常：描述性数据汇总，远离属性均值超过两个标准差的值可以标记为潜在的离群点。
考察数据：唯一性、持续性、空值规则。