pandas去重需指定subset业务主键，keep参数控制保留策略，NaN需谨慎处理；空值应按成因选择填充或删除；类型转换前须用coerce验证；清洗步骤应函数化、可复现、可版本控制。
用 pandas.DataFrame.drop_duplicates() 去重前必须明确「去重依据」
重复行不等于“完全相同”，业务上常需按关键字段判断是否冗余。比如用户表中 id 不同但 phone 和 email 都一致，应视为同一人重复录入。
- 直接调用
df.drop_duplicates()默认检查所有列，容易漏掉逻辑重复 - 务必用
subset参数指定业务主键，例如df.drop_duplicates(subset=['phone', 'email']) - 注意
keep参数：设为'first'（默认）保留首次出现；设为'last'保留最新记录；设为False则全部删除——后者适合清理测试数据或临时脏数据 - 若字段含
NaN，pandas默认把它们视为相等，可能误删。可先用fillna()统一处理，或改用df[~df.duplicated(subset=..., keep='first')]避免隐式 NaN 比较
空值处理不能只靠 fillna() 或 dropna()
填均值、删整行看似简单，但会扭曲分布或丢失关键样本。真实清洗中要区分空值成因：是采集失败？字段不适用？还是用户主动留空？
-
df.isna().sum()先看各列缺失比例；超过 70% 缺失且无业务补全路径的列，建议直接df.drop(columns=['col_name']) - 对数值型字段，避免无差别用
df['col'].fillna(df['col'].mean())—— 若存在长尾分布（如订单金额），中位数更稳健：df['amount'].fillna(df['amount'].median()) - 分类字段优先用众数填充：
df['status'].fillna(df['status'].mode()[0] if not df['status'].mode().empty else 'unknown') - 时间字段缺失时，慎用当前时间填充。更合理的是标记为
pd.NaT并单独建列is_time_missing供后续建模使用
用 astype() 转类型前先验证数据合法性
直接 df['age'].astype('int') 遇到 'N/A' 或浮点字符串会报 ValueError: invalid literal for int()，但错误信息不指明哪一行出问题。
- 先用
pd.to_numeric(df['age'], errors='coerce')将非法值转为NaN，再检查df['age'].isna().sum()确认异常量级 - 日期列别急着
pd.to_datetime()：含模糊格式（如'2023-13-01'或'Q1 2023'）会导致整列变NaT。加参数errors='coerce'并配合df['date'].dt.year.isna()定位问题行 - 字符串列转
category类型前，先df['city'].nunique() / len(df)看基数率；若唯一值占比 > 0.5，转 category 反而增大内存
规则必须可复现：把清洗步骤封装成函数而非脚本片段
临时写一堆 df = df[...]; df['x'] = ... 很快变成“只有当时写的人能看懂”的黑盒。下次数据源字段微调或新增校验项，就得重翻日志逐行改。
立即学习“Python免费学习笔记（深入）”；
- 每个清洗动作对应一个纯函数，输入
DataFrame，输出DataFrame，不修改原对象。例如：
def clean_phone_column(df):
df = df.copy()
df['phone'] = df['phone'].str.replace(r'\D', '', regex=True)
df = df[df['phone'].str.len() == 11]
return df
- 用字典统一管理规则执行顺序：
cleaning_pipeline = [('drop_dupes', drop_duplicates_by_key), ('clean_phone', clean_phone_column)]，再循环调用保持可插拔 - 关键校验点加断言：
assert df['user_id'].is_unique, "user_id contains duplicates after dedup"，失败时立刻暴露问题而非静默带病运行
最易被忽略的是：清洗规则本身需要版本控制。哪怕只是加了一行 df['score'] = df['score'].clip(lower=0, upper=100)，也该和原始数据哈希值、执行时间一起记入元数据表——否则半年后发现模型效果下滑，根本没法回溯是哪次清洗引入了截断偏差。
