数值型数据：第1步#
在创建特征向量之前，建议先从两个角度审视数值型数据：
-
用图表（plot、graph）把数据画出来。
-
用统计量描述数据。
把数据可视化#
图表能帮你发现藏在数据里的异常或规律。所以，在一头扎进分析之前，先把数据画出来看——比如画成散点图（scatter plot）或直方图（histogram）。同时，图表绘制不应只用于数据预处理开始阶段，整个数据预处理过程中都要持续借助它——可视化是不断验证假设的有力手段。
推荐使用 pandas 做可视化：
用统计方法评估数据#
除了可视化之外，还建议从统计角度对候选的特征和标签做一轮评估，常用的基础统计量包括：
-
均值（mean）与中位数（median）
-
标准差（standard deviation）
-
四分位点对应的取值：第 0、25、50、75、100 百分位数。其中第 0 百分位是该列的最小值，第 100 百分位是该列的最大值（第 50 百分位就是中位数）。
寻找异常值#
异常值（outlier） 是指在一列特征或标签中，远远偏离 其他绝大多数取值的那个值。异常值常常会干扰模型训练，所以及时把它们识别出来很重要。
如果第 0 到第 25 百分位之间的差值，与第 75 到第 100 百分位之间的差值明显不对称，那么这份数据中很可能藏着异常值。
注意： 不要过度依赖基础统计量——看上去很均衡的数据里，也可能藏着异常。
异常值大致可以分为以下两类：
-
异常来自失误——例如实验人员多敲了一个 0，或者采集数据的仪器意外失灵。这种"失误型"异常，一般把对应样本直接删掉即可。
-
异常本身是合理的数据，并非由失误造成。这种情况下，需要先想清楚：你最终训练出来的模型，需不需要在这些异常上也做出较好的预测？
-
如果需要，请把这些异常保留在训练集中。毕竟，特征上的异常有时恰好对应着标签上的异常，这些异常值反而能帮模型学到更准确的预测。但要注意：极端的异常值仍然可能对模型造成干扰。
-
如果不需要，可以删掉这些异常值，或者采用更深入的特征工程技术，例如裁剪（clipping）。
-
关键术语：
- 裁剪（Clipping）
- 异常值（Outliers）