原始数据或变量的转换属于统计预处理的内容。统计预处理是统计分析的重要步骤，旨在准备和清理原始数据，确保后续的统计分析能够有效进行。在数据预处理过程中，包括各种数据转换方法，以优化数据的可用性和合适性。
数据处理的基本流程一般包括以下几个步骤：数据收集：从数据源中获取数据，可能是通过传感器、网络、文件导入等方式。数据清洗：对数据进行初步处理，包括去重、缺失值填充、异常值处理等。
数据处理阶段。在统计工作中，数据预处理是至关重要的一步，包括对数据的清理、整合、缩放、归一化等操作，以便后续的分析和处理。舍弃无效数据是数据预处理中的一个重要环节，目的是去除那些不符合要求或无法用于分析的数据，以保证数据的准确性和可靠性，进而提高统计分析的质量和效率。
数据清洗和预处理：在数据收集后，需要对数据进行清洗和预处理。这包括去除错误数据、缺失值处理、异常值检测和处理等。数据的质量和准确性对后续的分析和解释非常重要。描述性统计分析：描述性统计分析是对数据进行初步的总结和描述。
一般的数据都需要进行一定的处理才能用于后续的数据分析工作，即使再“干净”的原始数据也需要先进行一定的处理才能使用。现实世界中的数据大体上都是不完整、不一致的脏数据，无法直接进行数据分析，或分析结果不尽如人意。数据预处理有多种方法：数据清理、数据集成、数据变换、数据归约等。
就是说，对数据进行检验，看数据是否有缺失值、错误值等等。如果有错误值，要修正。有缺失，视情况插补。数据没有问题时，称为clean data ，即干净数据，然后才能进一步分析。
