特征选择和特征构造属于特征工程的范畴，不属于数据预处理的方法。特征工程的目的是改变或增加原始数据的特征，以提高模型的准确性和性能。
数据预处理的方法通常包括以下几个步骤：数据清洗、数据集成、数据转换、数据规约。其中，数据预处理的方法并不包括特征选择和特征构造。
1. 数据清洗：处理数据集中的噪声、缺失值、异常值等问题，以保证数据的准确性和完整性。
2. 数据集成：将来自不同数据源的数据进行整合，以便进行数据分析和建模。
3. 数据转换：对数据进行转换，改变其原始形式，包括数据的标准化、归一化、离散化、正则化等方法。
4. 数据规约：通过压缩数据的维度和数量，以便减少存储和计算的开销，同时保持数据的原始特征和模式。
5. 特征选择：根据所需任务的目标和要求，选择对模型预测有用的特征，以减少特征的冗余和噪声，并提高模型的性能和效果。
6. 特征构造：根据现有的特征，通过组合、变换或构造新的特征，以便更好地表示数据的特性和模式。
特征选择和特征构造属于特征工程的范畴，不属于数据预处理的方法。特征工程的目的是改变或增加原始数据的特征，以提高模型的准确性和性能。