在转换过程中，数据增强涉及通过添加上下文、填充空白或提高质量来增强原始数据。 常见的技术包括组合数据集、应用外部参考以及生成派生值。 这些方法旨在使数据更易于分析或机器学习，而不会改变其核心结构。 以下是关键方法的细分。
一种主要技术是通过连接或查找进行数据扩充。 这涉及将原始数据集与外部数据源合并以添加缺失的详细信息。 例如，可以通过将客户地址列表与邮政编码数据连接来增强该列表，以附加诸如城市或地区之类的地理详细信息。 同样，可以使用来自 API 的天气数据来增强带时间戳的日志，以将服务器中断与环境条件相关联。 通常使用诸如 SQL JOIN 操作或 Python 中 pandas 的 merge() 函数之类的工具来实现此目的。 另一个示例是使用 API 来获取实时信息，例如基于电子邮件地址将社交媒体配置文件附加到用户记录。
另一种方法是派生特征创建，其中从现有数据生成新的属性。 这包括数学转换（例如，根据购买历史记录计算客户的生命周期价值）或从非结构化文本中提取结构化信息。 例如，解析产品评论以识别情感得分或关键字频率。 诸如标记化（使用诸如 spaCy 之类的库）或正则表达式之类的技术有助于隔离特定模式。 诸如将每日销售额汇总为每周平均值之类的时间特征也属于此类别。 这些派生特征通常通过暴露隐藏的模式来提高机器学习管道中的模型性能。
最后，数据验证和标准化可作为间接增强。 例如，使用地理编码服务更正拼写错误的地址不仅可以修复错误，还可以添加纬度/经度坐标。 同样，使用正则表达式验证电子邮件格式并附加特定于域的元数据（例如，将域分类为“教育”或“公司”）会添加上下文层。 诸如 Great Expectations 之类的工具或自定义 Python 脚本可以自动执行这些检查。 此步骤可确保数据一致性，同时通过质量控制的属性隐式地丰富数据。 例如，标准化为国家代码格式的电话号码字段可以在以后支持基于区域的分析。
这些技术（增强、派生特征和验证）将原始数据转换为更具可操作性的形式。 开发人员可以使用数据库、脚本语言或专用工具来实现它们，具体取决于管道的规模和要求。