data-cleaning-playbook

系统性地清洗数据集，涵盖缺失值（missing values）、重复数据（duplicates）、异常值（outliers）以及格式不一致（inconsistent format）等问题。每次用户提及“帮忙清理一下数据”、“clean this data”、“data cleaning”、“数据很脏/不统一”、“检查缺失值”、“找重复项”、“处理异常值”、“分析前准备数据”、“为什么数字对不上”等表述，或上传看似混乱的CSV/Excel文件并希望先整理再进行分析时——即使未直接使用“clean”一词——只要上下文涉及将原始数据整理为可用状态，均自动触发此技能。 具体操作包括： 1. **识别并处理缺失值**：根据数据类型和场景选择删除、填充（如均值、中位数、众数或插值）或标记缺失； 2. **检测并移除重复记录**：保留唯一观测值，避免分析偏差； 3. **识别与处理异常值**：通过统计方法（如IQR、Z-score）或可视化手段发现离群点，并结合业务逻辑决定修正、删除或保留； 4. **统一数据格式**：标准化日期、文本大小写、单位、编码等，确保字段一致性（如“男/Male/m”统一为“M”）； 每一步均附带简要说明：为何采取该操作（例如“填充缺失年龄因样本量小且缺失率低”），帮助用户理解清洗逻辑，提升后续分析的可靠性与可解释性。

存档时间线

版本索引永久保留；内容副本只保留最新 1 份，更早版本仅留索引与哈希（存档时间线的证据链不会因此断裂）。

下载存档内容副本