MCM/A题/参考/预处理1.md

二、6步核心预处理操作

1. 编码适配与数据读取

• 识别原始CSV文件编码为GB2312（非默认UTF-8），使用该编码读取数据，确保字段名（如“屏幕亮度”“CPU大核平均能量消耗”）无乱码，成功加载1000条记录、68个字段。

2. 样本排序与索引规范

• 按“样本id”字段升序排序（原始id无序，如[0,1,10,100...]），重置数据索引，使样本按序号自然连续，保证后续分析的逻辑连贯性。

3. 有效分析窗口筛选

• 以“样本序号替代时间步长”，基于“电池电量百分比（BATTERY__PERCENT）”变化规律，筛选出300个样本的稳定窗口（样本234-534）：
  • 该窗口内电量从91%降至74%（下降17%），无极端波动，数据质量最优。

4. 异常数据清洗

• 处理3类关键异常：
  1. 字符串转数值：将“CPU_MID_FREQ_KHz”中的“err”异常值转为空值，用前向填充+后向填充补全；
  2. 数值逻辑修正：电池放电电流（BATTERY_DISCHARGE_TOTAL_UA）为负值（表示放电方向），取负转为正值（单位：A）；
  3. 单位统一：将温度（AVG_SOC_TEMP）的毫摄氏度单位（如44533→44.5℃）除以1000，转为常规摄氏度。

5. 特征标准化处理

• 对核心硬件指标进行归一化（统一到0-1范围），便于后续对比分析：
  • 屏幕亮度：原始值（0-100）÷100；
  • CPU性能：大中小核频率分别归一后，按0.4（大核）、0.3（中核）、0.3（小核）加权计算“CPU代理性能值”；
  • WiFi数据：传输量差值取对数后归一，同时生成“WiFi活跃标识”（1=有数据传输，0=无）。

6. 核心字段筛选

• 从68个原始字段中，筛选出9个关键字段组成最终数据集，覆盖“标识、硬件性能、电池状态、温度”核心维度： 样本id、时间步长索引、标准化屏幕亮度、CPU代理性能、WiFi代理指标、WiFi活跃标识、标准化电量、放电电流、电池温度。

---

三、预处理结果

最终得到300行×9列的清洁数据集，满足：无缺失值、无异常值、核心指标标准化，可直接用于硬件性能与能耗关联分析、建模等场景。