数据清理主要是在数据预处理阶段和清洗过程中进行的。首先得把脏数据找出来，比如缺漏的数字、重复的记录、格式不对的字段。常用的方法有三种：一种是直接删掉缺漏太多没用的数据，第二种是用平均值或常见值补全缺失数据，第三种是用规则或机器学习自动去重。比如有个调查说80%的数据问题来自缺失值，所以补全很重要。

为什么得这么做呢？因为原始数据就像没洗的菜，有虫子有泥巴。比如某电商公司有10万条订单记录，发现3%的订单金额是负数，这些明显是系统错误。还有5%的地址格式不对，比如“北京朝阳区”写成“北京朝阳区”，得用正则表达式去清洗。数据清理就像给数据洗澡，洗完才能用机器学习或者做分析。有研究显示，不清理数据的话，模型准确率会下降15%-30%。比如人脸识别系统，如果数据里有太多模糊照片，识别错误率会从5%跳到25%。所以必须先做数据清洗再建模。