对于数据挖掘来说，80%的工作都花在数据准备上面，而数据准备，80%的时间又花在数据清洗上，而数据清洗的工作，80%又花在选择若干种适当高效的方法上。用不同方法清洗的数据，对后续挖掘的分析工作会带来重大影响。
常用的数据清洗方法主要有以下四种：丢弃、处理和真值转换。让我们来看看这四种常见的数据清洗方法。丢弃部分数据 丢弃，即直接删除有缺失值的行记录或列字段，以减少趋势数据记录对整体数据的影响，从而提高数据的准确性。
数据清洗目的主要有：①解决数据质量问题；②让数据更适合做挖掘；数据清洗是对数据审查过程中发现的明显错误值、缺失值、异常值、可疑数据，选用一定方法进行“清洗”，为后续的数据分析做准备。数据清洗的方法有：①数据数值化 对存在各种不同格式的数据形式的原始数据，对其进行标准化操作。
数据清洗： **处理缺失值：** 识别并处理数据中的缺失值。可以选择删除包含缺失值的行，进行插值填充，或者根据上下文逻辑进行其他合理的处理。 **异常值处理：** 检测和处理异常值，以防止它们对可视化结果产生不良影响。可以使用统计方法或领域专业知识来定义什么是异常值。
清洗数据有三个方法，分别是分箱法、聚类法、回归法。这三种方法各有各的优势，能够对噪音全方位的清理。分箱法是一个经常使用到方法，所谓的分箱法，就是将需要处理的数据根据一定的规则放进箱子里，然后进行测试每一个箱子里的数据，并根据数据中的各个箱子的实际情况进行采取方法处理数据。
数据转换：将数据转换为所需格式，包括数据类型转换、数据单位转换等。数据验证：对数据进行验证，包括数据准确性验证、数据一致性验证等。数据分类：将数据进行分类，包括数据分类、数据分组等。数据可视化：将数据可视化，包括数据图表、数据地图等。
