在数据挖掘中，海量的原始数据中存在着大量 不完整数据（有缺失值）、不一致、有异常的数据，严重影响到数据挖掘建模的执行效率，甚至可能导致挖掘结果的偏差，所以进行数据清洗就显得尤为重要，数据清洗完成后接着进行或者同事进行数据集成、转换、规约等一系列的处理，改过程就是数据预处理。
数据预处理一方面是要提高数据的质量，另一方面是要让数据更好地适应特定到挖掘技术或工具。统计发现，在数据挖掘的过程中，数据预处理工作量占到整个过程的60%。
数据预处理主要内容包括数据清洗、数据集成、数据变换和数据规约。
一、数据清洗
数据清洗主要是删除原始数据中的无关数据、重复数据、平滑噪声数据，筛选掉与挖掘主题无关的数据，处理缺失值、异常值等。
二、缺失值处理
处理缺失值的方法可分为3类：删除记录、数据插补和不处理。本无我重点介绍一下 插值法；
先看看 一段代码：
#-*- coding: utf-8 -*-
#拉格朗日插值代码
import pandas as pd #导入数据分析库Pandas
from scipy.interpolate import lagrange #导入拉格朗日插值函数
inputfile = '../data/catering_sale.xls' #销量数据路径
outputfile = '../tmp/sales.xls' #输出数据路径
data = pd.read_excel(inputfile) #读入数据
data[u'销量'][(data[u'销量'] < 400) | (data[u'销量'] > 5000)] = None #过滤异常值，将其变为空值
#自定义列向量插值函数
#s为列向量，n为被插值的位置，k为取前后的数据个数，默认为5
def ployinterp_column(s, n, k=5):
y = s[list(range(n-k, n)) + list(range(n+1, n+1+k))] #取数
y = y[y.notnull()] #剔除空值
return lagrange(y.index, list(y))(n) #插值并返回插值结果
#逐个元素判断是否需要插值
for i in data.columns:
for j in range(len(data)):
if (data[i].isnull())[j]: #如果为空即插值。
data[i][j] = ployinterp_column(data[i], j)
data.to_excel(outputfile) #输出结果，写入文件