移除唯壹屬性
唯壹屬性通常是壹些id屬性，不能描述樣本本身的分布規律，簡單刪除這些屬性即可。
處理缺失值
處理缺失值的方法有三種:直接使用缺失值的特征；刪除有缺失值的要素(當有缺失值的屬性包含大量缺失值但只有少量有效值時，此方法有效)；缺少值完成。
常見的缺失值補全方法:均值插值、齊次均值插值、建模預測、高維映射、多重插值、最大似然估計、壓縮感知和矩陣補全。
(1)平均插值
如果樣本屬性的距離可測，則用該屬性有效值的平均值對缺失值進行插值；
如果的距離不可測量，則使用屬性有效值的模式對缺失值進行插值。如果使用模式插值，數據傾斜會有什麽影響？
(2)相似均值插值
首先對樣本進行分類，然後用該類樣本的平均值對缺失值進行插值。
(3)建模和預測
以缺失屬性為預測目標，根據數據集是否包含特定屬性的缺失值將數據集分為兩類，利用現有的機器學習算法預測待預測數據集的缺失值。
這種方法的根本缺陷是，如果其他屬性與缺失屬性無關，那麽預測結果就沒有意義；但如果預測結果相當準確，則說明這個缺失的屬性沒有必要包含在數據集中；壹般來說，介於兩者之間。
(4)高維映射
屬性映射到高維空間，采用壹鍵編碼技術。包括K個離散值範圍的屬性值被擴展到K+1個屬性值。如果缺少屬性值，擴展的K+1屬性值將設置為1。
這種方法是最精確的方法，它保留了所有的信息，不添加任何額外的信息。如果在預處理過程中所有變量都這樣處理，數據的維數會大大增加。這樣做的好處是完全保留了原始數據的所有信息，不考慮缺失值；缺點是計算量大大提高，只有在樣本量很大的情況下效果才好。
(5)多重插補
多重插值認為要插值的值是隨機的。在實際操作中，通常需要估計待插值的值，並加入不同的噪聲，形成多組可選的插值值。根據壹些選擇依據，選擇最合適的插值。
(6)壓縮傳感和矩陣完成
(7)手動插值
插值處理只是用我們的主觀估計值來補充未知值，不壹定完全符合客觀事實。很多情況下，根據對領域的理解，手動內插缺失值更好。