数据挖掘需以业务理解为先，特征工程重在降噪与可解释性，聚类应匹配数据分布并服务业务，分类须权衡代价而非盲目追准确率。
Python数据挖掘中，聚类、分类和特征工程不是孤立步骤，而是环环相扣的实践链条：特征工程决定模型上限，聚类常用于无监督探索或特征预处理，分类则在高质量特征基础上完成有监督预测。真正有效的分析，往往从“先看数据长什么样”开始，而不是一上来就调用RandomForestClassifier。
特征工程：不是加特征，而是减干扰
真实数据里大量存在缺失、异常、冗余和量纲不一致问题。直接扔给模型，等于让医生蒙着眼做手术。
-
数值型处理：用
StandardScaler或RobustScaler（对异常值更稳）统一量纲；缺失值慎用均值填充——若某列30%是空，优先考虑是否该剔除或用业务逻辑补全（比如“用户最近登录天数”为空，可能代表流失用户，填-1反而带入语义）。 -
类别型编码：高基数类别（如用户ID、商品SKU）别硬上
OneHotEncoder，会爆炸式膨胀维度。改用目标编码（Target Encoding）或频次编码（Frequency Encoding），再加噪声防过拟合。 - 特征构造要可解释：比如电商数据中，“7日内下单次数 / 浏览次数”比单独两个字段更能反映转化意愿；但避免构造像“log(价格×评分²)”这类无业务意义的组合——模型可能拟合得更好，但无法向业务方说清为什么。
聚类：别只盯着K-Means，先问“聚什么？”
K-Means流行，但默认假设簇是球形、等大小、各向同性。现实数据常是长条状（比如用户生命周期轨迹）、密度不均（比如城市POI分布），强行K-Means只会得到误导性分组。
- 先可视化探查：用PCA或UMAP降维到2D/3D，画散点图观察自然分组趋势。如果点明显沿曲线分布，DBSCAN或谱聚类更合适。
- K值选择不靠肘部法则一家之言：结合轮廓系数（Silhouette Score）、Calinski-Harabasz指数，更重要的是人工抽样检查每类样本的业务共性——比如聚出的“高价值沉默用户”类，是否真在近30天无登录但历史ARPU前10%？
- 聚类结果要能回传业务：把聚类标签当新特征加入分类模型，或直接用于策略分层（如对“低活跃高潜力”群组推送定向召回券），而非仅停留在“我们分了5类”的PPT结论。
分类：平衡准确率与决策成本
在风控、推荐、医疗等场景，错判代价差异巨大。单纯追求95%准确率可能毫无价值。
- 关注混淆矩阵深层信息：二分类任务中，若正样本（如欺诈交易）仅占0.2%，模型全判负也能达99.8%准确率——此时应看精确率（Precision）、召回率（Recall）及F1，更进一步看业务成本：漏掉1个欺诈损失2000元，误杀1个正常用户损失50元，那就需调整分类阈值偏向高召回。
-
树模型别忽视特征重要性陷阱：
feature_importances_易受高基数特征或多重共线性干扰。用Permutation Importance或SHAP值验证关键特征是否稳定且符合常识。 - 小样本或高维稀疏数据，别硬堆深度学习：文本分类中TF-IDF+LinearSVC常比BERT微调更快更稳；基因数据用随机森林+RFE（递归特征消除）比XGBoost更容易定位关键位点。
数据挖掘不是算法展览会，核心是让数据说话，同时确保人听得懂、用得上。写完fit()之后，多花10分钟看一眼df.groupby('cluster')['revenue'].describe()，可能比调参两小时更有价值。
