缺失值；若是类别型数据，如学生的籍贯信息缺失，就会采用出现频率最高的籍贯类别进行填充。
在归一化操作上，燧火框架主要运用了两种常用方法。一种是最大 - 最小归一化，它将数据的取值范围映射到从零到一的双闭区间，另一种是 z - sre 归一化，它基于数据的均值和标准差进行转换，将数据转换为均值为 0，标准差为 1 的分布。
通过这样的归一化处理，不同特征的数据在数值范围上保持一致，避免因特征数值范围差异过大，导致模型训练时某些特征被过度重视或忽视。
标准化操作在燧火框架中也有便捷的实现方式，框架会对数据进行零均值化处理，即先计算数据的均值，然后将每个数据点减去均值，使得处理后的数据均值为 0，接着计算数据的方差，再将每个数据点除以方差的平方根，从而得到方差为 1 的数据分布。
历景铄在设计燧火框架时，精心打磨了这些功能，如此一来，用户便能利用燧火框架进行细致的清洗、归一化和标准化，让数据以最佳状态进入下一阶段。
在后面的模型构建、训练、评估三大功能模块，秦奕同样大幅度借鉴 pytorch 的设计来指导历景铄团队燧火框架的设计。
如此一来，在模型构建环节，用户可以轻松定义各种机器学习模型，不管是简单的线性模型，还是复杂的决策树、神经网络等都不在话下。
在训练方面框架也直接内置了经典的随机梯度下降算法等优化算法，用户只要写一行代码便可以以此来训练模型，不断调整模型的参数，以最小化损失函数。
这里不得不提到反向传播算法，它是模型训练中极为关键的一环，在神经网络中，正向传播负责将输入数据通过各个神经元层层传递，最终得到预测结果。
而反向传播则是在计算出预测结果与真实标签之间的误差后，从输出层开始，沿着与正向传播相反的方向，将误差信号依次向后传播。
在这个过程中，利用链式法则计算每个参数的梯度，梯度代表了参数在哪个方向上变化能最大程度减少误差。
例如，对于一个简单的包含输入层、隐藏层和输出层的神经网络，正向传播时输入数据经过隐藏层