一、核心结论
Pandas是AI数据预处理的核心工具，通过“数据清洗→特征工程→格式转换”流程，配合高效函数（如fillna/groupby/pivot_table），可将数据处理效率提升60%，为模型训练奠定高质量数据基础。
二、数据清洗：从“脏数据”到“可用数据”
1. 缺失值处理：fillna与dropna
- 场景：处理空值（NaN），避免模型训练报错。
- 实战技巧：
- 数值型缺失：用均值/中位数填充（避免极端值影响）：
python df['age'].fillna(df['age'].median(), inplace=True) # 中位数填充年龄
- 类别型缺失：用众数或“Unknown”填充：
python df['city'].fillna(df['city'].mode()[0], inplace=True) # 众数填充城市
- 删除无效行：缺失值比例过高时（如>50%）：
python df.dropna(subset=['critical_feature'], inplace=True) # 删除关键特征缺失的行
2. 重复值处理：drop_duplicates
- 场景：去除重复数据，避免模型学习冗余信息。
- 实战技巧：
python df.drop_duplicates(subset=['id'], keep='first', inplace=True) # subset：指定去重依据列（如用户ID）；keep='first'保留第一条
3. 异常值处理：clip与IQR法则
- 场景：识别并修正极端值（如年龄=200）。
- 实战技巧：
- 截断法：限制数值范围（如年龄1-120岁）：
python df['age'] = df['age'].clip(lower=1, upper=120) # 超出范围的强制设为边界值
- IQR法则：删除3倍IQR外的异常值：
python Q1 = df['price'].quantile(0.25) Q3 = df['price'].quantile(0.75) IQR = Q3 - Q1 df = df[(df['price'] >= Q1 - 3*IQR) & (df['price'] <= Q3 + 3*IQR)]
三、特征工程：从“原始数据”到“模型特征”
1. 特征转换：astype与replace
- 场景：数据类型转换（如字符串→数值）、类别映射。
- 实战技巧：
- 类型转换：将“字符串日期”转为datetime：
python df['timestamp'] = pd.to_datetime(df['timestamp'], format='%Y-%m-%d')
- 类别映射：将“男/女”转为0/1：
python df['gender'] = df['gender'].replace({'男': 0, '女': 1})2. 特征提取：str.extract与dt属性
- 场景：从文本/日期中提取关键信息。
- 实战技巧：智优达
- 从文本提取数字（如从“价格：99元”提取99）：
python df['price'] = df['text'].str.extract('(\d+)').astype(float) # 正则提取数字- 从日期提取特征（如星期几、月份）：
python df['day_of_week'] = df['timestamp'].dt.dayofweek # 0=周一，6=周日
3. 特征聚合：groupby与pivot_table
- 场景：按类别统计（如“各城市平均收入”）。
- 实战技巧：
- 基础聚合：计算各分组均值/总和：
python city_avg_income = df.groupby('city')['income'].mean().reset_index()- 数据透视表：多维度聚合（如“城市×性别”的收入均值）：
python pivot = df.pivot_table( index='city', columns='gender', values='income', aggfunc='mean' )
四、数据格式转换：为模型训练准备输入
1. 独热编码：get_dummies
- 场景：将类别特征转为模型可接受的数值（如“城市”→多个0/1列）。
- 实战技巧：
python df = pd.get_dummies(df, columns=['city'], drop_first=True) # columns：指定需编码的列测，drop_first=True去除冗余特征。
2. 标准化/归一化
- 场景：统一数据尺度，提高模型训练效果。智优达
- 实战技巧：
python from sklearn.preprocessing import StandardScaler scaler = StandardScaler() df['normalized_value'] = scaler.fit_transform(df['value'])
3. 特征选择：筛选与排序
- 特征选择：通过相关性分析，选择重要特征。
- 代码示例：
python corr = df.corr() print(corr)
4. 数据拆分
- 数据拆分：将数据集分为训练集和测试集。
- 代码示例：
python from sklearn.model_selection import train_test_split X = df.drop('target', axis=1) y = df['target'] X_train, X_test, y_train, X_train, y_train, X_test, y_test = train_test_split(X, y, test_size=0.2, random_state=42)总结：通过合理的预处理，可大幅提升模型性能。建议优先处理数据清洗和特征工程，确保数据质量。
)