欢迎来到数据科学的真实世界。在这里，数据集并不像您在在线学习这些课程/教程时想象的那么干净。那些是超级抛光和精致的。但是，现实世界的数据并非如此。

进行清理和擦洗的步骤称为数据预处理步骤。

因此，除了@jknappen 的出色答案之外，还有一些不错的数据清理技术：

1. 消除零方差列/预测变量：这些列并不重要，它们会导致模型和拟合崩溃和泄漏错误。因此，消除它们将是完全有意义的。
2. 相关预测变量：降低预测变量之间的相关程度将是预处理过程中非常好的一步。
3. 缩放：您必须知道为什么缩放在预处理过程中很重要。
4. 预测器转换

来自 Kaggle 论坛的一个很好的参考，其中讨论了数据集的预处理和清理。

你可以使用半监督学习的技术，你有一个小的干净的训练集和一些脏数据。您可以通过判断其他数据的好坏来扩展您的数据库，并将“最佳”数据点合并到您的训练集中。