数据理解是贯穿AI开发全过程的核心能力，需逐字段确认业务含义与数据质量，识别影响建模目标的问题，建立特征与任务的业务映射，并持续监控数据分布变化。

数据理解不是模型训练的前置步骤，而是贯穿整个AI开发过程的核心能力。没有扎实的数据认知，再复杂的模型也容易在真实场景中失效。

读懂数据结构和字段含义

拿到一份数据集，先别急着划分训练集测试集。打开CSV或数据库表，逐列确认每个字段的业务含义、取值范围和单位。比如“user_age”是整数还是浮点？是否包含0或负值？“order_time”是时间戳、字符串还是datetime类型？这些细节直接影响后续清洗策略和特征工程方向。

• 用pandas.DataFrame.info()快速查看每列的数据类型和非空数量
• 用pandas.DataFrame.describe()观察数值型字段的均值、分位数、标准差
• 对分类字段调用value_counts()，识别高频类、长尾类和异常标签

识别并诊断常见数据质量问题

真实数据往往充满噪声。缺失值、重复记录、异常值、不一致格式（如“男/ Male / M”混用）、时间错乱（订单时间早于注册时间）都是高频问题。关键不是“有没有问题”，而是“问题是否影响建模目标”。例如，预测用户次日留存时，缺失的“last_login_time”可能致命；但预测地区销量时，个别用户ID拼写错误影响极小。

• 缺失值：区分随机缺失（MCAR）和机制相关缺失（MAR/MNAR），后者本身可能是强信号
• 异常值：结合业务逻辑判断——单笔10万元的奶茶订单是欺诈，还是企业团餐？不能只依赖IQR或Z-score一刀切
• 标签泄漏：检查特征中是否无意混入未来信息（如用“最终退款金额”预测“是否会下单”）

建立数据与任务目标之间的映射关系

数据理解的终点不是生成一份报告，而是回答：“哪些字段真正驱动目标变量的变化？”例如做流失预警，不能只看“登录次数下降”，还要分析“下降发生在哪类功能模块”“伴随哪些客服工单关键词”。这需要把原始字段抽象为业务维度（如活跃度、满意度、摩擦点），再验证它们与标签的相关性。

• 用seaborn.heatmap(df.corr())粗筛数值特征与目标的相关强度
• 对分类目标，用groupby + agg({'target': 'mean'})观察各分组的正样本率差异
• 画time-series趋势图，确认关键指标是否在标签发生前呈现可辨识模式

养成持续验证的习惯

数据不是静态快照。上线后，新用户行为、活动策略变更、埋点调整都会让数据分布悄然偏移。理解数据必须延伸到“理解变化”。每次模型迭代前，对比新旧数据集的关键统计量（如类别分布、数值范围、空值率），设置阈值告警。一个稳定的AI系统，70%的数据理解工作发生在模型上线之后。

• 将核心统计指标（如“支付成功率均值”“城市分布熵值”）固化为监控项
• 对新增字段，明确其采集逻辑、覆盖人群、延迟周期，并评估是否引入偏差
• 定期抽样人工复核——算法无法替代人对“不合理但真实”的业务现象的判断