数据预处理的技巧

机器学习，最花时间的不是训练模型，而是整理数据。模型好不好，很大程度上取决于你前期怎么处理数据。很多时候我们80%的精力都花在清洗、规范、补全这些看起来“琐碎”的步骤上。数据处理得越干净，后面建模就越轻松，效果也更稳。

在这篇文章中，我们将主要使用R语言的tidyverse包来进行探索性数据分析（EDA），涉及到10个数据预处理的方法：

• 数据清洗
• 数据标准化
• 数据编码
• 特征选择
• 特征缩放
• 降维
• 数据拆分
• 数据增强
• 数据平衡
• 数据转换

1 数据清洗

1.1 处理缺失值

1. 均值填充
2. 插值法

1.2 异常值处理

2 数据标准化