清洗脚本用 pandas 的 dropna 加空串过滤，把“无”“暂无”“0”都当成空值删掉，训练集从 8 万条剩 7 万条，其中 12% 本来是有意义的样本。
这类报错背后常见的原因有几处，逐个排除就行。空值判定用了布尔转换，字符串 0 被判成假；没有区分缺失、空串和业务占位符；删除前没有抽样核对被删样本；同一列在不同来源里的缺失写法不一致。
第一件事是统计各列的空值写法分布
python -c "import pandas as pd;d=pd.read_csv('raw.csv');print(d.isna().sum())"随后把业务占位符映射成显式缺失标记
python -c "import pandas as pd;d=pd.read_csv('raw.csv');print(d['note'].value_counts().head(20))"接着抽样 200 条被删记录人工核对
python sample_dropped.py --before raw.csv --after clean.csv --n 200剩下的就是按核对结果调整规则后重跑
python clean.py --in raw.csv --out clean_v2.csv --drop-log dropped.jsonl改完先别撤，确认这几项。被删样本比例从 12% 降到 2.3%，抽样 200 条里没有误删，缺失列的统计口径与业务定义一致。
空串、占位符、真缺失是三件事，混在一个布尔判断里必然误删；清洗脚本要留删除日志，方便事后抽样回捞。同一份配置在测试环境跑通，不代表线上没事，两边的默认值经常不一样。