8.数据处理：数据准备

数据处理：数据准备 ![插图由[@sketchthedocs]绘制](https://www.aiknowledge.cn/images/初学者的数据科学课程/08-DataPreparation.webp) :---: 数据准备 - 插图由@nitya绘制 课前测验 根据其来源，原始数据可能包含一些不一致之处，这些不一致将导致分析和建模中的挑战。换句话说，这种数据可以被归类为“脏数据”，需要进行清理。本课程的重点是清理和转换数据以应对缺失、不准确或不完整数据的挑战。本课程中涵盖的主题将使用Python和Pandas库进行演示，并在本目录中的笔记本文件内展示。 清理数据的重要性 易于使用和重用：当数据被适当组织和规范化时，更容易搜索、使用和与他人共享。 一致性：数据科学通常需要处理多个数据集，其中来自不同来源的数据集需要合并在一起。确保每个单独的数据集都有共同的标准化，将确保在它们合并成一个数据集时仍然有用。 模型准确性：经过清理的数据提高了依赖于它的模型的准确性。 常见的清理目标和策略 探索数据集：数据探索（在后续课程中介绍）可以帮助你发现需要清理的数据。通过观察数据集中的值，可以设...