请说明数据预处理的概念，并列举其关键环节。

回答思路

1. 【回答框架 1】数据预处理是指在正式分析或建模之前，对原始数据进行清洗、转换、集成、归约等一系列操作的过程，目的是提升数据质量，使其满足后续分析和算法要求。
2. 【回答框架 2】数据清洗是核心环节，主要处理缺失值、重复值、异常值和噪声数据，常用方法包括删除记录、填充均值或中位数、插值法，以及基于统计或聚类识别并修正异常点。
3. 【回答框架 3】数据集成将来自多个源的数据合并，需要解决模式冲突、字段冗余和数据不一致问题，典型手段是实体识别和冗余消除，如使用关联分析检测属性间的相关性。
4. 【回答框架 4】数据变换包括规范化（如最小-最大缩放和Z分数）和离散化，以消除量纲影响或转换为适合模型的形式；数据归约则通过维归约（主成分分析）或数量归约（抽样）压缩数据规模，同时保留关键信息。
5. 【回答框架 5】整个过程是迭代的，通常需要根据具体任务和数据特点调整顺序，并在每一步验证处理效果，避免过度处理导致信息丢失。
6. 【关键点 1】数据预处理由清洗、集成、变换和归约四类主要步骤组成。
7. 【关键点 2】清洗处理缺失值、异常值和重复数据，是保证质量的基础。
8. 【关键点 3】集成解决多源数据的一致性问题，变换和归约优化数据形式与规模。
9. 【关键点 4】预处理效果直接影响模型准确性和训练效率。
10. 【易错点 1】不能盲目删除含缺失值的记录，可能导致样本有偏；应结合缺失机制选择填充或删除策略。
11. 【易错点 2】规范化算法易受极端值影响，应先处理异常值再做缩放，否则会压缩正常数据的区分度。
12. 【易错点 3】数据集成若忽略实体语义冲突，可能引入重复或错误字段，需先分析元数据。