数据清洗常占分析流程六成以上时间。本文围绕DeepSeek在数据画像、规则生成、异常判定和复核流水线中的实战用法，强调可验证与可复现。
数据清洗的难点很少停留在删除空值，真正的成本来自字段语义不清、业务规则冲突和异常模式难以解释。DeepSeek的价值不在于替人拍板，而在于把表结构、样本和业务约束转成可执行的检查项、代码与复核证据。把模型放在辅助位置，清洗过程才既快又可审计。
1. 先做数据画像，再让DeepSeek介入清洗
数据画像要覆盖表结构、字段语义、缺失率、唯一值、频次分布、时间跨度、主键候选和跨表关联一致性。指导学员把数据库DDL、脱敏样本和业务口径交给DeepSeek，要求它先输出画像检查清单，再生成可执行的pandas或SQL脚本。模型能根据字段名与样本值推断字段角色，例如把user_id识别为实体标识，把created_at识别为时间戳，把status识别为枚举字段，但推断结果必须由业务人员确认，不能直接当作事实。
以零售订单表为例，字段包括order_id、user_id、amount、created_at和status。DeepSeek可以提示amount负值需要区分退款与录入错误，status的枚举值可能混入大小写和空格，created_at可能同时存在时间戳与字符串格式。随后要求模型生成画像代码，统计缺失率、唯一值数量和分位数，但统计结果由pandas或数据库执行，模型只负责解释结果和规划下一步。这样能避免把大模型当计算器使用，减少数值幻觉。
画像阶段还要建立数据字典和验收标准。AI指导老师应要求学员记录字段含义、允许范围、缺失处理口径和责任人，再让DeepSeek根据这些信息生成异常检查项。敏感数据需要先脱敏或只在本地环境处理，样本中不要包含身份证号、手机号和详细地址。画像做扎实之后，后续规则生成和代码编写才有稳定上下文。
2. 用结构化提示词生成可执行的清洗规则
提示词要包含表结构、字段业务含义、已知业务规则、目标输出格式、边界条件和禁止事项。让DeepSeek输出一张规则表，列出字段、问题类型、判断条件、处理动作、风险等级和复核。相比“帮我清洗数据”这类模糊指令，结构化提示词能显著降低歧义，也便于后续审计。
以手机号字段为例，规则可以包括去除空格和连接符、去掉国际区号、用正则校验位数、无法修复的值保留原值并写入隔离表。金额字段要区分负值退款与录入错误，统一精度到分，并校验币种字段是否在允许枚举内。日期字段要列出可接受格式，解析失败进入隔离表而不是静默置空。要求模型生成带断言、日志和异常捕获的pandas或SQL代码，代码运行后再抽样核对命中记录。
模型生成规则后不要直接上线。先让DeepSeek列出它所做的假设和不确定点，由业务人员逐条确认，再让模型根据确认结果修订规则。提示词和规则表要版本化保存，记录模型版本、修改原因和测试样本。AI指导老师在授课时可以把同一字段的两种清洗策略交给学员比较，观察它们对后续统计分布的影响，训练学员对规则副作用的敏感度。
3. 缺失值、异常值与重复记录的模型辅助判定
缺失值处理要先判断缺失机制。完全随机缺失、随机缺失和非随机缺失对应不同策略，DeepSeek可以根据字段语义建议分组中位数、众数、前向填充或保留缺失并增加标志位。数值字段直接填零往往扭曲分布，类别字段随意填“未知”也可能掩盖业务问题。模型适合提出候选策略和解释风险，不适合替业务决定口径。
异常值判定可以结合IQR、Z-score和业务规则。让DeepSeek根据字段含义列出异常候选，例如订单金额超过历史分位数、年龄为负、状态跳变不符合流程，并要求它生成复核样本和判断理由。重复记录要区分精确重复与模糊重复，客户表中的姓名、地址和可能存在拼写差异，模型可以建议标准化规则、相似度阈值和人工复核队列。模型输出的是候选记录、理由和置信度，不直接修改原始数据。
教学场景中，AI指导老师可以让学员对同一份数据分别采用删除、填补和保留加标志三种策略，比较清洗前后关键字段的分布变化。DeepSeek可以帮助解释差异，但最终决策要写进数据清洗日志。这样学员才能理解清洗不是追求表面干净，而是让数据在业务口径下可用、可解释、可追溯。
4. 建立抽样复核与可复现的清洗流水线
清洗完成后必须抽样复核。按关键字段分层抽样，检查规则命中记录、误杀记录和漏杀记录。DeepSeek可以生成分层抽样SQL、核对脚本和质量报告模板，把缺失率、重复率、异常率和关键字段分布偏移列成对照表。复核样本要覆盖边界值和规则冲突场景，不能只抽正常记录。
可复现依赖版本控制。提示词、模型版本、规则表、代码、运行日志和参数都要归档，清洗脚本要参数化并配单元测试。以订单表为例，清洗前后可以对比amount的分位数、status的枚举分布和created_at的解析失败率，让DeepSeek解释指标变化是否与规则一致。若指标异常波动，应回到规则表和样本记录定位原因，而不是继续叠加新规则。
隐私与权限同样属于流水线的一部分。敏感字段先脱敏，优先使用本地部署或受控接口，按最小权限原则分配数据访问。AI指导老师应把提示词版本、规则变更记录和复核结论纳入教学案例，让学员养成保留审计证据的习惯。这些记录共同构成清洗流水线的可追溯基础。
