数据预处理是机器学习项目中的关键步骤，直接影响模型性能。以下是常见实践操作：
缺失值处理
- 使用均值/中位数填补：
填补_缺失值 - 删除缺失样本：
删除_缺失数据 - 示例代码：
df.fillna(df.mean(), inplace=True) # 均值填补
- 使用均值/中位数填补：
数据标准化
- Z-score标准化：
标准化_Z_score - Min-Max规范化：
规范化_Min_Max - 公式：$ X' = \frac{X - \mu}{\sigma} $
- Z-score标准化：
特征编码
- 独热编码：
编码_独热 - 标签编码：
编码_标签 - 注意：高基数分类变量建议使用嵌入式编码
- 独热编码：
数据分箱
- 等宽分箱：
分箱_等宽 - 等频分箱：
分箱_等频 - 示例：
分箱_离散特征
- 等宽分箱：
📌 实践建议
- 始终在训练集和测试集上分别进行标准化
- 使用
sklearn.preprocessing模块实现常见操作 - 可结合可视化工具（如Matplotlib）分析数据分布