如何正确处理重复样本：务必在划分训练集与测试集之前去重

在机器学习数据预处理中，应始终在将数据划分为训练集和测试集之前删除重复行；否则会导致数据泄露、模型评估失真，甚至指标虚高或虚低。

在机器学习项目中，数据预处理环节有个看似不起眼、实则影响深远的“雷区”——重复样本的处理时机。一句话概括核心原则：去重，必须在划分训练集和测试集之前完成。顺序一旦颠倒，后续所有模型评估的可信度都可能大打折扣。

重复样本，或者说数据中的重复行，是数据质量的一个关键隐患。问题不在于“要不要去重”，而在于“什么时候去重”。如果等到数据集划分完毕，再各自去重，麻烦就来了。

最直接的风险是数据泄露。想象一下，同一条数据的两个副本，被随机分配算法一个扔进了训练集，另一个放进了测试集。这意味着什么？意味着模型在训练阶段已经“认识”了测试集里的这位“老朋友”。到了评估环节，模型对这条数据的预测自然会表现得异常“出色”，但这种“出色”是虚假的，它会严重高估模型在真实未知数据上的泛化能力，让整个评估结果变得乐观而不真实。

即便运气好，所有重复样本都“抱团”落在了同一个子集里（比如全在训练集），风险依然存在。模型会倾向于过度学习这些高频出现的样本，导致学到的规律偏离真实的总体分布。另一方面，如果测试集中不幸包含了重复样本，那么评估指标的计算就会产生统计偏差——比如准确率，同一条数据被预测对了多次，会被重复计入分子，导致指标虚高；反之，如果预测错了，惩罚也会被放大，造成指标虚低。无论哪种情况，都扭曲了模型性能的真实面貌。

所以，正确的操作路径非常清晰：

✅ 标准操作流程：先全局去重，再划分数据

下面是一个典型的代码示例，展示了如何安全地处理：

import pandas as pd
from sklearn.model_selection import train_test_split

# 假设 df 是包含特征和标签的原始数据集
df_clean = df.drop_duplicates()  # 关键一步：在划分前执行全局去重

# 建议检查去重后的数据量变化，做到心中有数
print(f"原始样本数: {len(df)}, 去重后: {len(df_clean)}")

# 数据划分应在去重后的干净数据上进行
X = df_clean.drop('target', axis=1)
y = df_clean['target']
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)

⚠️ 几个不容忽视的注意事项

当然，直接调用 drop_duplicates() 并非万能钥匙，实践中还需要考虑以下几点：

• 理解重复的语义：在某些业务场景下，重复记录可能具有实际意义。例如，同一个用户的多次行为日志。这时，不能简单地删除所有重复行，而应该根据业务逻辑（如按用户ID保留最新或最早的一条记录）进行清洗。
• 警惕噪声列干扰：去重前，务必检查数据中是否包含了时间戳、自增ID这类天然不同的列。如果这些列参与了重复判断，会导致本应相同的样本被误判为不同。通常需要使用 subset 参数来指定用于判断重复的关键特征列。
• 指定关键列去重：使用 drop_duplicates(subset=['feature_a', 'feature_b']) 可以只根据核心特征列来判断重复，这往往更符合业务逻辑。
• 验证数据分布：去重操作完成后，尤其是对于分类任务，一定要检查一下各类别样本的分布是否发生了剧烈变化，避免意外地丢失了某一类别的全部样本。

总而言之，把数据去重坚定地放在数据集划分之前，这不是一个可选的优化技巧，而是保障模型评估结果可信、模型能够稳健部署的底线原则。忽略它，你精心构建的模型指标，可能从一开始就建立在沙滩之上。