字符类的数据可以用多维数组表示，有Onehot独热编码表示、word2vetor分布式表示及bert动态编码等；
- 异常值处理收集的数据由于人为或者自然因素可能引入了异常值（噪音），这会对模型学习进行干扰。通常需要对人为引起的异常值进行处理，通过业务判断和技术手段（python、正则式匹配、pandas数据处理及matplotlib可视化等数据分析处理技术）筛选异常的信息，并结合业务情况删除或者替换数值。
- 缺失值处理数据缺失的部分，通过结合业务进行填充数值、不做处理或者删除。根据缺失率情况及处理方式分为以下情况：① 缺失率较高，并结合业务可以直接删除该特征变量。经验上可以新增一个bool类型的变量特征记录该字段的缺失情况，缺失记为1，非缺失记为0；② 缺失率较低，结合业务可使用一些缺失值填充手段，如pandas的fillna方法、训练随机森林模型预测缺失值填充；③ 不做处理：部分模型如随机森林、xgboost、lightgbm能够处理数据缺失的情况，不需要对缺失数据做任何的处理。
- 数据离散化数据离散化能减小算法的时间和空间开销（不同算法情况不一），并可以使特征更有业务解释性。离散化是将连续的数据进行分段，使其变为一段段离散化的区间，分段的原则有等距离、等频率等方法。
- 数据标准化数据各个特征变量的量纲差异很大，可以使用数据标准化消除不同分量量纲差异的影响，加速模型收敛的效率。常用的方法有：① min-max 标准化：将数值范围缩放到（0,1）,但没有改变数据分布。max为样本最大值，min为样本最小值。② z-score 标准化：将数值范围缩放到0附近, 经过处理的数据符合标准正态分布。u是平均值，σ是标准差。
- 特征衍生
基础特征对样本信息的表述有限，可通过特征衍生出新含义的特征进行补充。特征衍生是对现有基础特征的含义进行某种处理（组合/转换之类），常用方法如：
① 结合业务的理解做衍生，比如通过12个月工资可以加工出：平均月工资，薪资变化值，是否发工资 等等；
② 使用特征衍生工具：如feature tools等技术；
- 特征选择
特征选择筛选出显著特征、摒弃非显著特征。特征选择方法一般分为三类：
① 过滤法：按照特征的发散性或者相关性指标对各个特征进行评分后选择，如方差验证、相关系数、IV值、卡方检验及信息增益等方法。
② 包装法：每次选择部分特征迭代训练模型，根据模型预测效果评分选择特征的去留。
③ 嵌入法：使用某些模型进行训练，得到各个特征的权值系数，根据权值系数从大到小来选择特征，如XGBOOST特征重要性选择特征。
- 特征降维
如果特征选择后的特征数目仍太多，这种情形下经常会有数据样本稀疏、距离计算困难的问题（称为 “维数灾难”），可以通过特征降维解决。常用的降维方法有：主成分分析法（PCA）， 线性判别分析法（LDA）等。
