1.数据清洗
数据清洗主要是删除原始数据集中的无关数据、重复数据，平滑噪声数据，筛选掉与挖掘主题无关的数据，处理缺失值、异常值等。
1）缺失值处理主要有三种方法：删除记录、数据插补和不处理。当然这里数据插补是最使用最多的，包括均值/中位数/众数插补、固定值插补、最近邻插补、回归方法插补和插值法。
插补：如果该列是字符串的，就将该列中出现次数最多的字符串赋予空值,mode()函数就是取出现次数最多的元素。
删除：在kaggle中有人这样处理缺失数据，如果数据的缺失达到15%，且并没有发现该变量有多大作用，就删除该变量！
2）异常值处理
2.数据变换
数据变换主要是对数据进行规范化处理，将数据转换成适当的形式。
1）简单函数变换
是指对原始数据进行某些数学函数变换，常用的有平方、开方、取对数等等。
2） 规范化
- 最大-最小规范化
最小-最大规范化对原始数据进行线性变换，变换到[0,1]区间（也可以是其他固定最小最大值的区间）
(X - X.min()) / (X.max() - X.min())
- 标准规范化
变换后各维特征有0均值，单位方差。也叫z-score规范化（零均值规范化）。
计算方式：（特征值—均值）/标准差。