AI 数据清洗：处理缺失、重复和异常值

## 适用场景

适合 Excel 导出、问卷、客户名单和业务流水。清洗前必须保存原始数据，并记录每条规则造成的影响。

## 三步工作法

### 步骤 1：建立质量画像

统计字段类型、缺失率、唯一值、重复键和明显异常分布。

### 步骤 2：制定清洗规则

分别定义标准化、去重、缺失填补和异常处理原则，不直接让 AI 自行决定。

### 步骤 3：输出审计记录

保留原值、新值、变更原因和规则版本，方便追溯。

## 可直接复制的 Prompt

> 根据这份字段说明设计数据清洗方案。输出质量问题表、处理规则、不可自动处理的情况、Python 或 Excel 实现建议，以及清洗前后核对指标。任何删除操作都必须单独列出。

## 进阶技巧

- 原始文件只读保存

- 先用副本测试规则

- 业务异常不要被误判为数据错误

## 交付前检查

- 关键主键是否唯一

- 删除行数是否合理

- 清洗规则是否可复现

## 预期效果

得到可解释、可回滚的数据清洗流程，而不是一份无法追踪修改来源的新表。

## 使用边界

AI 负责整理、扩展和检查，人仍然负责事实准确性、业务判断、隐私保护与最终发布。涉及个人信息、商业机密、财务、法律或安全内容时，只能使用组织批准的工具和脱敏材料。