数据清洗常识：脏数据比没数据更可怕

真实数据常有缺失、重复、异常值和格式错误。直接拿来训练，模型学到的可能是噪声而不是规律。

缺失值要区分随机缺失和系统性缺失，前者可以填充，后者往往本身携带信息。填充方式也要记录，避免评估时失真。

异常值不一定都是错误，可能是真实的长尾行为。处理前先搞清业务含义，盲目截断会损失重要信号。

清洗流程要可复现，每一步变换都应有日志。数据版本管理做不好，实验结果就无法复现，团队协作会陷入混乱。