真实数据几乎不可能干净。缺失值和异常值处理不当，会系统性扭曲模型与统计结论。首先要理解缺失机制：是完全随机缺失、随机缺失还是非随机缺失，不同机制对应不同处理策略。
完全随机缺失可以直接删除或简单填补；随机缺失可借助其他变量建模填补；非随机缺失最棘手，缺失本身携带信息，比如高收入者更不愿填收入。此时应把是否缺失作为特征，而非简单填补。
数值填补常用均值、中位数或模型预测。均值填补会压缩方差，中位数对异常值稳健。更严谨的做法是多重填补，生成多个完整数据集分别分析再合并，以反映填补带来的不确定性。
异常值要先判断是错误还是真实极端值。录入错误应修正或删除，真实极端值如大额交易则应保留，可用稳健统计或分位数截断降低影响。盲目删除异常值可能抹掉最有价值的信号，比如欺诈样本。
处理顺序也重要。先用业务规则修正明显错误，再做缺失填补，最后考虑异常值处理。每一步都记录决策理由，方便复现与审计。数据清洗没有标准答案，只有结合业务的具体判断。
