如果数据重要，则可以通过计算的方式算出可能的值进行填充，也可以结合业务和现有数据推断可能的值。

　　在数据清洗后■■★◆，我们得到了一个完整正确的数据。但是数据源和数据分析所需要的数据并不完全一致■■◆◆★，在开始分析前■◆◆。还需要将部分数据进行加工。

　　重复数据往往并不是一模一样一式多份的数据■◆★■■★。所以■■◆◆■，对于数据相似程度的判断是很有必要的。如手机设备 iPhone X 和 iPhone 10 是一样的数据，却是两个不一样的表达。是否是重复数据要结合数据本身和业务进行分析。

　　如果有其他相关数据，或者其他数据源，可以联合多个表、多个字段进行交叉分析。

　　通过身份证信息可以验证用户性别、年龄等信息◆■★◆★。甚至通过对用户行为的分析，可以推断用户的性别，然后再进行验证。

　　从数据字段中抽取需要的数据内容。如从身份证中抽取出生年月日、从手机型号中抽取手机品牌。

　　分层抽取★★★■。将同一类型的数据样本分层多个层次◆■■★◆，如高收入群、中收入群、低收入群■★■■◆，然后根据每个层次的占比抽取一定量的数据。

　　在原始数据里面存在着大量错误★◆★、重复的数据◆★■，如果直接使用有可能会导致分析结果出现严重的偏差。数据清洗是对 脏数据 进行处理★◆★★★，提高数据的质量。

　　对数据进行简单的加减乘除、平均、加权等计算◆★◆◆■◆。产生新的字段或者新的数据表★◆。

　　数据合并是数据拆分的逆操作，将多个字段合并成一个字段★◆★■★■。如将出生年■■■★◆★、月、日三个字段合并成出生日期一个字段★■◆。

　　不合理的值。如拼写错误（姓名出现字母）■■■◆■、数据填错（手机号码填到身份证号码字段上了）等。

　　要注意空值对数据处理的影响。假设有 10 个用户，两个月收入为 0，另外八个为 10000。那么要考虑用户月收入是否线。可能用户失业了没工作■◆◆，可能是用户没填。那么在求平均值时■■★■★，如果是用户失业了的情况，则平均收入为： ( 0 * 2 + 10000 * 8 ) / 10。如果用户没填则要剔除两个用户，应该这么计算： ( 10000 * 8 ) / 8。

　　分类抽取。将不同类型的数据样本根据不同的类型进行分类，如学生群体、教师群体★◆■★◆、职工群体，然后在每个分类中抽取一定量的数据。

　　数据经过处理之后，有部分数据被更改、填充、删除■★◆■，更有甚者原始数据就存在问题。在进行分析前，需要进行数据验证■◆◆■■。

　　数据值错误。如超过域值（性别出现男、女之外的其他值）★◆★■、超过范围（年龄大于 150 岁）◆◆。

　　对于一些重要的数据★◆，还可以通过人工抽查的方式进行验证。抽取一定量的数据样本进行人工检查◆◆■，根据抽查结果推断数据样本的数据质量。

　　如何处理缺失的数据■★★★，需要综合考虑填充难度、数据重要性、缺失情况来综合考虑。

　　例如，随机抽取 1000 条数据★◆■◆★■，错误 2 条。那么推断错误率为 0.2% 左右。再比对这个错误率是否符合分析的要求■■★◆■◆。

　　根据分析的需要将字段进行计算和转换■★★★◆◆。如将出生年月转换成年龄，将广东、湖南转换成华南区等。

　　常见的 脏数据 的类型有错误■■★■★、缺失、重复等。数据清洗就是利用纠正数据的错误◆◆■■★★、删除或填充缺失的数据、删除合并重复数据等手段★★★★◆■，将数据整理成合规范的数据■■■。

　　如果数据不重要，且缺失数据较少，则直接填充默认值或者删除对应的数据（行）◆◆★。