摘要：数据清洗与预处理技术：缺失值处理、异常值检测、重复数据处理、格式统一四大核心方法详解。本文详解缺失值的三种处理策略（删除、填充、插值）、异常值的四种检测方法（3σ、箱线图、IQR、Z-score）、MCAR/MAR/MNAR三种缺失类型的区分和对应处理方案。数据清洗与预处理技术：让"脏数据"变成"金矿"的完整指南所属模块：卷三 · 知识体系篇 · 第二部分 数据标注与处理考试权重：★★★★☆（高频考点，理论+实操均有涉及）阅读时长：约25分钟一、为什么数据清洗是AI项目的"地基工程"业界有一句话流传极广：“Garbage in, garbage out”（垃圾进，垃圾出）。无论模型架构多么先进、算法多么精妙，如果输入数据存在大量噪声、缺失、重复或格式混乱，最终产出的模型必然表现糟糕。根据业内调查，数据科学家/AI训练师约60%~80%的工作时间都花在数据清洗与预处理上，而不是建模本身。这项工作既无聊又关键——考试也因此将其列为核心考点。数据问题四大类型┌───────────────────────────────────────────────