一句话定义：数据剪枝（Data Pruning）是指在训练前或训练过程中，从完整训练集里挑出一个子集来训练模型，用更少的数据达到相近甚至更好的效果。
打个比方：考前复习
一本一千页的教材，从头到尾背一遍，时间未必够，而且大部分内容你早就掌握了。有经验的老师会挑一套题：既覆盖各章节的典型考法，又专挑你还没吃透的题型。刷完这套精选题，成绩往往比囫囵吞枣刷全书更好。数据剪枝做的就是这件事——不是偷懒少学，而是把学习时间花在真正有信息量的样本上。
为什么"丢"反而有效
三个原因。其一，冗余：同一张图换个角度、同一句话换个说法，它们对参数更新的方向几乎一样，信息高度重叠，留一份就够。其二，噪声：标注错误、模糊不清的样本会把模型往错误方向拽。其三，边际收益递减：绝大多数样本训练不久后就"已经学会"，此后的梯度贡献接近零，继续喂只是白烧算力；真正推动模型的往往是少数难样本和有代表性的样本。
常见做法有随机采样（最省事，只省时间、不提质）、按难度筛（丢掉过易和过难）、按梯度或影响力打分、按聚类保证多样性覆盖，以及边训练边动态筛。
和相邻概念的区别
| 概念 | 剪掉的是什么 | 主要目的 |
|---|---|---|
| 数据剪枝 | 训练样本（行） | 缩小规模、提速 |
| 数据清洗 | 错误、重复的坏数据 | 提升质量 |
| 特征选择 | 输入特征（列） | 降维、抗过拟合 |
| 模型剪枝 | 网络权重与结构 | 压缩推理成本 |
| 主动学习 | 决定哪些数据值得标注 | 省标注成本 |
关键差别在于：剪枝删掉的可能是完全正确的好数据，只是它"信息量低"。
对实际工作的意义
最直接的收益是钱和时间：单次训练的成本、周期都可能下降，实验迭代变快，小团队也能多跑几轮对照。但风险同样真实——如果筛选标准只看"对当前模型是否有用"，长尾案例、少数群体、罕见故障最容易被判为无用而删掉，模型在这些场景上会悄悄退化，而总体指标看不出来。所以剪枝后务必在完整验证集、特别是关键子群上做回归。剪枝比例、筛选策略、随机种子都应记录，这类方法对随机性敏感，具体实现和默认参数请以各框架官方文档为准。