训练数据清洗(文本/音频/视频)

多数据格式的清洗方法

以下是针对多数据格式清洗方法的系统性总结，结合Python代码示例：

一、数据清洗方法总览（表格对比）

数据类型	核心挑战	关键步骤	常用Python工具
文本	非结构化噪声	去噪→分词→标准化→向量化	NLTK, SpaCy, Jieba, Regex
图片	维度/质量差异	尺寸统一→去噪→格式转换→归一化	OpenCV, PIL, scikit-image
音频	采样/环境噪声差异	降噪→重采样→分割→特征提取	Librosa, pydub, noisereduce
视频	时空维度复杂性	关键帧提取→分辨率统一→时序处理	OpenCV, MoviePy, FFmpeg

二、文本数据清洗

1. 去噪处理

import re
from bs4 import BeautifulSoup

# 去除HTML标签
def clean_html(text):
    return BeautifulSoup(text, 'html.parser').get_text()

# 删除特殊字符
text = re.sub(r'[^a-zA-Z0-9\u4e00-\u9fa5]', ' ', "Hello! 这是一条带@符号的示例#文本")

2. 分词与标准化

import jieba
from nltk.tokenize import word_tokenize

# 中文分词
text_cn = "自然语言处理很重要"
seg_list = jieba.lcut(text_cn)  # ['自然语言', '处理', '很', '重要']

# 英文分词
text_en = "This is an example sentence."
tokens = word_tokenize(text_en.lower())  # ['this', 'is', 'an', 'example', 'sentence']

3. 停用词过滤

from nltk.corpus import stopwords

stop_words = set(stopwords.words('english'))
filtered_tokens = [word for word in tokens if word not in stop_words]  # 过滤后：['example', 'sentence']

三、图片数据清洗

1. 尺寸统一化

import cv2

img = cv2.imread('input.jpg')
resized_img = cv2.resize(img, (224, 224))  # 调整为指定尺寸

2. 去噪增强

# 高斯模糊去噪
blurred = cv2.GaussianBlur(img, (5,5), 0)

# 直方图均衡化（灰度图）
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
equalized = cv2.equalizeHist(gray)

3. 格式转换与归一化

from PIL import Image

# 转换格式并保存
img_pil = Image.open('input.bmp')
img_pil.save('output.jpg', quality=95)

# 归一化处理
import numpy as np
normalized = img.astype(np.float32) / 255.0  # [0,1]范围

四、音频数据清洗

1. 降噪处理

import noisereduce as nr
import librosa

y, sr = librosa.load('noisy_audio.wav')
# 提取噪声片段（需提前标记噪声区间）
noisy_part = y[5000:15000]  
cleaned = nr.reduce_noise(y=y, sr=sr, y_noise=noisy_part)

2. 采样率统一

# 从44.1kHz重采样到16kHz
y_16k = librosa.resample(y, orig_sr=44100, target_sr=16000)

3. 静音分割

from pydub import AudioSegment
from pydub.silence import split_on_silence

audio = AudioSegment.from_wav("long_audio.wav")
# 分割静音段（阈值-50dB，最小静音时长1s）
chunks = split_on_silence(audio, silence_thresh=-50, min_silence_len=1000)

五、视频数据清洗

1. 关键帧提取

cap = cv2.VideoCapture('input.mp4')
frame_count = 0
while True:
    ret, frame = cap.read()
    if not ret: break
    if frame_count % 30 == 0:  # 每30帧保存1帧
        cv2.imwrite(f"frame_{frame_count}.jpg", frame)
    frame_count += 1

2. 分辨率调整

from moviepy.editor import VideoFileClip

clip = VideoFileClip("input.mp4")
# 调整为720p并保持宽高比
clip_resized = clip.resize(height=720)  
clip_resized.write_videofile("output_720p.mp4")

3. 时间轴处理

# 截取10-20秒片段
sub_clip = clip.subclip(10, 20)

# 倍速处理（1.5倍速）
speed_clip = clip.fx(vfx.speedx, 1.5)

六、通用最佳实践

1. 批处理模板

# 图片批处理示例
import os
from tqdm import tqdm

input_dir = 'raw_images/'
output_dir = 'processed_images/'
os.makedirs(output_dir, exist_ok=True)

for filename in tqdm(os.listdir(input_dir)):
    img = cv2.imread(os.path.join(input_dir, filename))
    processed = cv2.resize(cv2.GaussianBlur(img, (3,3), 0), (256,256))
    cv2.imwrite(os.path.join(output_dir, filename), processed)

2. 质量校验

# 音频时长校验
import soundfile as sf

def validate_audio(path, min_duration=1.0):
    try:
        duration = len(sf.read(path)[0]) / sf.read(path)[1]
        return duration >= min_duration
    except:
        return False

3. 分布式清洗（Dask示例）

import dask.dataframe as dd

# 并行处理文本数据
ddf = dd.read_csv('large_text_data/*.csv')
ddf_clean = ddf.map_partitions(lambda df: df.apply(clean_text_function))
ddf_clean.to_csv('cleaned_data/')

通过结合领域特定的清洗方法和Python生态工具，可以构建高效的数据预处理流水线。建议根据实际数据特点调整参数阈值，并建立自动化质量监控机制。

不同业务场景下的清洗策略

以下是针对不同业务场景下的数据清洗策略系统性总结，结合Python实现示例：

一、数据清洗策略总览（表格对比）

业务领域	核心挑战	典型清洗操作	常用Python工具
金融	数据可靠性/合规性	异常值检测、时序对齐、缺失值填充	Pandas, Scikit-learn, PyOD
医疗	隐私保护/数据标准化	数据脱敏、单位统一、格式验证	Faker, OpenPyXL, PyUnits
电商	数据一致性/商品归一化	重复数据删除、分类标准化	Dedupe, FuzzyWuzzy, Scikit-learn
社交媒体	非结构化数据处理	文本清洗、行为序列过滤	NLTK, SpaCy, Pandas

二、金融领域清洗策略

1. 异常值检测

• 场景：检测信用卡欺诈交易
• 方法：

  # IQR方法检测交易金额异常
  Q1 = df['amount'].quantile(0.25)
  Q3 = df['amount'].quantile(0.75)
  IQR = Q3 - Q1
  df_clean = df[~((df['amount'] < (Q1 - 1.5*IQR)) | (df['amount'] > (Q3 + 1.5*IQR)))]
  
  # Z-score检测
  from scipy import stats
  df['z_score'] = stats.zscore(df['amount'])
  df_clean = df[df['z_score'].abs() < 3]
  

2. 缺失值填充

• 场景：股票价格数据补全
• 方法：

  # 时间序列前向填充
  df.fillna(method='ffill', inplace=True)
  
  # 使用随机森林预测缺失值
  from sklearn.ensemble import RandomForestRegressor
  X = df.dropna().drop('target', axis=1)
  y = df.dropna()['target']
  model = RandomForestRegressor().fit(X, y)
  missing_data = df[df['target'].isnull()].drop('target', axis=1)
  df.loc[df['target'].isnull(), 'target'] = model.predict(missing_data)
  

三、医疗领域清洗策略

1. 数据脱敏

• 场景：患者隐私保护
• 方法：

  # 使用假名生成库
  from faker import Faker
  fake = Faker()
  df['patient_name'] = [fake.name() for _ in range(len(df))]
  
  # 日期偏移脱敏
  df['birth_date'] = pd.to_datetime(df['birth_date']) + pd.DateOffset(years=10)
  

2. 单位统一

• 场景：多源医疗设备数据整合
• 方法：

  # 体重单位标准化（磅转千克）
  def convert_weight(row):
      if row['unit'] == 'lbs':
          return row['value'] * 0.453592
      else:
          return row['value']
  df['weight_kg'] = df.apply(convert_weight, axis=1)
  
  # 使用Pint进行单位转换
  import pint
  ureg = pint.UnitRegistry()
  df['volume'] = df['value'].apply(lambda x: (x * ureg.parse_expression(df['unit'])).to(ureg.milliliter))
  

四、电商领域清洗策略

1. 重复数据去重

• 场景：商品列表清洗
• 方法：

  # 基于规则去重
  df.drop_duplicates(subset=['product_id', 'price'], keep='last', inplace=True)
  
  # 使用模糊匹配处理标题相似项
  from fuzzywuzzy import fuzz
  def is_similar(str1, str2, threshold=90):
      return fuzz.token_set_ratio(str1, str2) > threshold
  

2. 分类标准化

• 场景：多平台商品类目映射
• 方法：

  # 创建类目映射字典
  category_map = {
      'cellphone': 'Mobile Devices',
      'smartphone': 'Mobile Devices',
      'laptop': 'Computers'
  }
  df['category'] = df['raw_category'].map(category_map).fillna('Others')
  
  # 使用聚类自动分类
  from sklearn.cluster import KMeans
  kmeans = KMeans(n_clusters=10).fit(tfidf_vectors)
  df['auto_category'] = kmeans.labels_
  

五、社交媒体清洗策略

1. 文本规范化

• 场景：情感分析预处理
• 方法：

  # 情感符号处理
  import re
  def clean_emoji(text):
      emoji_pattern = re.compile("["
          u"\U0001F600-\U0001F64F"  # emoticons
          u"\U0001F300-\U0001F5FF"  # symbols & pictographs
          "]+", flags=re.UNICODE)
      return emoji_pattern.sub(r'', text)
  
  # 词形还原
  from nltk.stem import WordNetLemmatizer
  lemmatizer = WordNetLemmatizer()
  df['text'] = df['text'].apply(lambda x: ' '.join([lemmatizer.lemmatize(word) for word in x.split()]))
  

2. 用户行为过滤

• 场景：僵尸账号检测
• 方法：

  # 时间窗口内异常操作检测
  df['action_time'] = pd.to_datetime(df['timestamp'])
  df = df.set_index('action_time')
  actions_per_min = df.resample('1T').size()
  anomaly_users = actions_per_min[actions_per_min > 100].index
  
  # 基于规则过滤
  spam_keywords = ['free', 'win', 'click']
  df = df[~df['content'].str.contains('|'.join(spam_keywords), case=False)]
  

六、最佳实践建议

1. 业务适配原则：

   • 金融领域优先保证数据完整性
   • 医疗领域强制实施隐私保护
   • 电商领域侧重商品特征一致性
   • 社交媒体关注上下文关联性

2. 工具链推荐：

   # 通用数据操作
   import pandas as pd  
   import numpy as np
   
   # 高级清洗工具
   from sklearn.impute import IterativeImputer  # 多重插补
   import great_expectations as ge  # 数据质量验证
   
   # 可视化监控
   import matplotlib.pyplot as plt
   df.hist(column='transaction_amount', bins=50)  # 分布可视化
   

3. 流程标准化：

   # 构建清洗Pipeline示例
   from sklearn.pipeline import Pipeline
   from sklearn.compose import ColumnTransformer
   
   preprocessor = ColumnTransformer(
       transformers=[
           ('num', StandardScaler(), numerical_features),
           ('text', TfidfVectorizer(), text_column)
       ])
   
   pipeline = Pipeline(steps=[
       ('clean', DataCleaner()),  # 自定义清洗类
       ('preprocess', preprocessor)
   ])
   

通过针对不同业务场景的特征设计清洗策略，配合Python生态丰富的工具库，可以显著提升数据质量。建议根据实际业务需求动态调整清洗阈值和规则，并建立持续的质量监控机制。

文本专项

数据清洗是数据预处理中的重要步骤，旨在提高数据质量，确保后续分析或建模的准确性。针对训练数据集的数据清洗方案通常包括以下几个方面：

缺失值处理

缺失值是数据集中常见的问题，需要根据具体情况选择合适的处理方法：

• 删除法：如果缺失值比例较高（如超过50%），可以直接删除该特征或样本。

# 删除缺失率超过50%的特征
threshold = len(df) * 0.5
df_cleaned = df.dropna(thresh=threshold, axis=1)

# 删除有缺失值的行
df_dropped = df.dropna()

• 填充法：
  • 使用统计值填充：均值、中位数、众数等。
  • 使用插值法：线性插值或其他插值方法。
  • 使用模型预测：通过其他特征训练一个简单的回归/分类模型来预测缺失值。

# 均值填充
df_filled = df.fillna(df.mean())

# 使用KNN插值（需安装scikit-learn）
imputer = KNNImputer(n_neighbors=5)
df_knn = pd.DataFrame(imputer.fit_transform(df), columns=df.columns)

# 时间序列线性插值
df['timestamp'] = pd.to_datetime(df['timestamp'])
df = df.set_index('timestamp')
df_interpolated = df.interpolate(method='time')

• 标记法：将缺失值作为一个单独的类别或特殊值进行标记。

# 创建缺失指示特征
for col in df.columns:
    df[f'{col}_missing'] = df[col].isnull().astype(int)

异常值处理

异常值可能由数据录入错误或实际极端值引起，需谨慎处理：

• 识别异常值：
  • 基于统计学方法：如3σ原则（正态分布）、箱线图（IQR）。

# 3σ原则

def sigma_rule(df, col, n_sigmas=3):
    mean = df[col].mean()
    std = df[col].std()
    return df[(df[col] > mean - n_sigmas*std) & (df[col] < mean + n_sigmas*std)]

df_clean = sigma_rule(df, 'income')

# 箱线图

Q1 = df['age'].quantile(0.25)
Q3 = df['age'].quantile(0.75)
IQR = Q3 - Q1
df = df[~((df['age'] < (Q1 - 1.5*IQR)) | (df['age'] > (Q3 + 1.5*IQR)))]

• 基于可视化：散点图、直方图等。
• 基于机器学习：使用孤立森林（Isolation Forest）、DBSCAN等算法检测异常值。

# 使用孤立森林检测异常
iso = IsolationForest(contamination=0.05)
outliers = iso.fit_predict(df[['feature1', 'feature2']])
df_clean = df[outliers == 1]

• 处理方式：
  • 删除异常值。
  • 替换为合理值（如均值、中位数）。
  • 根据业务逻辑调整异常值。

重复数据处理

重复数据可能会导致模型过拟合或偏差：

• 检查并删除完全重复的样本。
• 对部分字段重复的数据进行合并或去重。

# 完全重复记录删除
df_deduplicated = df.drop_duplicates()

# 关键字段重复处理
df = df.sort_values('update_time').drop_duplicates(['user_id'], keep='last')

数据格式统一化

数据格式不一致可能导致分析错误：

• 日期格式：统一日期格式（如YYYY-MM-DD）。
• 数值格式：确保数值类型正确（如浮点数、整数）。
• 文本格式：统一大小写、去除多余空格、标准化编码（如UTF-8）。

# 统一日期格式
df['date'] = pd.to_datetime(df['date'], errors='coerce', format='%Y-%m-%d')

# 提取时间特征
df['year'] = df['date'].dt.year
df['day_of_week'] = df['date'].dt.dayofweek

# 标准化文本
def clean_text(text):
    text = re.sub(r'\s+', ' ', text)          # 去除多余空格
    text = re.sub(r'[^\w\s]', '', text)       # 移除标点
    return text.strip().lower()

df['text'] = df['text'].apply(clean_text)

特征标准化与归一化

某些算法对特征的量纲敏感，需进行标准化或归一化：

• 标准化：将数据转换为均值为0、标准差为1的分布（Z-score标准化）。
• 归一化：将数据缩放到固定范围（如[0, 1]或[-1, 1]）。
• Log变换：对偏态分布的数据进行对数变换以减小偏度。

# Z-score标准化
scaler = StandardScaler()
df[['income', 'age']] = scaler.fit_transform(df[['income', 'age']])

# Min-Max归一化
minmax = MinMaxScaler(feature_range=(0, 1))
df[['height', 'weight']] = minmax.fit_transform(df[['height', 'weight']])

# 对数变换
df['income_log'] = np.log1p(df['income'])

类别不平衡处理

对于分类问题，类别不平衡会影响模型性能：

• 欠采样：减少多数类样本数量。
• 过采样：增加少数类样本数量（如SMOTE算法）。
• 调整权重：在模型训练时为不同类别设置不同的权重。

# SMOTE过采样（需安装imbalanced-learn）
from imblearn.over_sampling import SMOTE

X_resampled, y_resampled = SMOTE().fit_resample(X, y)

# 类别权重调整
from sklearn.utils.class_weight import compute_class_weight
class_weights = compute_class_weight('balanced', classes=np.unique(y), y=y)

文本数据清洗

如果数据集中包含文本数据，需要进行以下处理：

• 去除噪声：删除HTML标签、特殊字符、停用词等。
• 分词与词干提取：对文本进行分词，并提取词干或词形还原。
• 拼写纠正：修正拼写错误。
• 向量化：将文本转换为数值形式（如TF-IDF、词嵌入）。

from nltk.corpus import stopwords
from sklearn.feature_extraction.text import TfidfVectorizer

# 高级文本清洗
def advanced_text_clean(text):
    # 拼写纠正（需安装pyspellchecker）
    from spellchecker import SpellChecker
    spell = SpellChecker()
    words = [spell.correction(word) for word in text.split()]
    
    # 词形还原
    from nltk.stem import WordNetLemmatizer
    lemmatizer = WordNetLemmatizer()
    return ' '.join([lemmatizer.lemmatize(word) for word in words if word not in stop_words])

# TF-IDF向量化
tfidf = TfidfVectorizer(max_features=500)
X_tfidf = tfidf.fit_transform(df['text'])

特征工程与降维

• 特征选择：移除无关或冗余特征。
• 特征构造：基于现有特征生成新的有意义特征。
• 降维：使用PCA、t-SNE等方法降低特征维度。

# PCA降维（保留95%方差）
pca = PCA(n_components=0.95)
X_pca = pca.fit_transform(X_scaled)

# 多项式特征生成
from sklearn.preprocessing import PolynomialFeatures
poly = PolynomialFeatures(degree=2, interaction_only=True)
X_poly = poly.fit_transform(X[['age', 'income']])

时间序列数据清洗

对于时间序列数据，还需额外关注以下问题：

• 时间戳对齐：确保时间戳的频率一致（如按小时、天对齐）。
• 插值处理：填补时间序列中的缺失值。
• 趋势与周期性分解：分离出长期趋势和周期性波动。

# 重采样对齐
df_resampled = df.resample('1H').mean()

# 季节性分解
from statsmodels.tsa.seasonal import seasonal_decompose
result = seasonal_decompose(df['value'], model='additive', period=24)

数据一致性检查

• 确保数据之间的逻辑关系一致。例如：
  • 如果某个字段表示“出生年份”，则它应小于当前年份。
  • 如果某个字段表示“性别”，则其取值应在预定义范围内（如“男”、“女”）。

# 逻辑验证
current_year = datetime.now().year
df = df[df['birth_year'] < current_year]  # 过滤不合理出生年份

# 范围验证
valid_genders = ['Male', 'Female']
df = df[df['gender'].isin(valid_genders)]

隐私与安全处理

• 脱敏处理：对敏感信息（如身份证号、电话号码）进行脱敏。
• 数据加密：对敏感字段进行加密存储。

# 数据脱敏
def anonymize_phone(phone):
    return re.sub(r'(\d{3})\d{4}(\d{4})', r'\1****\2', phone)

# 加密处理
import hashlib
df['user_id_hash'] = df['user_id'].apply(lambda x: hashlib.sha256(x.encode()).hexdigest())

总结

数据清洗的具体方案需要结合数据集的特点和业务需求进行定制化设计。建议遵循以下步骤：

1. 探索性数据分析（EDA）：全面了解数据的分布、缺失情况、异常值等。
2. 明确目标：根据建模目标确定清洗的重点方向。
3. 逐步实施：按照上述方案逐一处理问题，同时记录清洗过程以便复现。
4. 验证效果：清洗后重新检查数据质量，确保清洗结果符合预期。