在深度学习建模前，数据预处理是至关重要的环节。以下为Python实现的核心步骤：
数据清洗
- 处理缺失值：
df.dropna()或SimpleImputer - 去除异常值：使用箱线图识别（IQR方法）
- 格式标准化：统一时间戳、单位等
- 处理缺失值：
特征缩放
- 标准化：
StandardScaler（均值为0，方差为1） - 归一化：
MinMaxScaler（缩放到0-1区间） - 对数变换：处理偏态分布数据
- 标准化：
数据增强（仅图像领域）
- 使用
albumentations库进行旋转/翻转/裁剪 - 添加噪声：
np.random.normal()生成随机扰动 - 色彩调整：HSL/RGB空间转换
- 使用
数据分割
- 采用
train_test_split划分训练集与测试集 - 交叉验证：
KFold实现更稳健的评估 - 分层抽样：保持类别分布一致性
- 采用
⚠️ 注意：预处理需根据具体任务调整，如NLP任务需分词与向量化处理
📚 延伸学习：点击了解更高级的数据预处理技巧