医学科研数据清洗怎么做？

把这项任务交给RigorMed：材料、产物与核对

1. 先把清洗动作整理成可审阅的规则表

   下面是建议任务输入与整理目标，不是本轮实跑或客户成效；是否执行及具体交付仍须核对材料、能力与确认结果。

   需要提供的材料: 有权使用的公开/合成数据字典、编码说明、确定性质量汇总和候选清洗规则。

   可请求的产物／交付目标: 清洗规则表、质量问题摘要和变更记录模板。

2. 可直接改写的任务输入

   逐项写清原字段、问题、候选规则、依据和影响；区分空白、特殊编码与真实缺失，形成需我确认的清洗计划，不自动填补或删除。

3. 如何检查结果

   是否执行清洗需要另行确认；不能用模型猜测患者行、缺失值或数据语义。

先建数据字典，再判断什么需要清洗

同一个空格或数字代码，可能表示未被提问、拒答、低于检测限，或确实漏录。处理前先从对应版本的官方文档确定语义。

NHANES 的 Data Documentation、Codebook 与 Frequencies 提供变量说明和频数；仍需核对对应组件、周期及 Analytic Notes。示例字典只是字段清单，不能代替目标数据源自己的官方定义。

从原始文件到可复核数据的六步

1. 保留原始文件并写明研究问题

   先确认数据使用条件、研究人群、主要暴露或预测变量、结局和所需周期。原始文件保持只读；记录来源版本、取得日期和使用范围。不要先改表格，再反推研究定义。

2. 逐变量绑定官方字典

   为核心字段记录类型、单位、取值、适用人群、问卷或测量方式、跳题逻辑和特殊编码。跨文件合并前核对参与者键、记录粒度、重复情况；跨周期合并前核对测量和编码是否可比。

3. 先做质量概览，不立刻修值

   分别统计原始行数、唯一键、重复记录、各变量及关键人群的缺失和特殊码、超出官方范围的取值。异常分布只是待核对信号，不自动等于录入错误；公开数据的抑制、顶端编码或检测限也可能是设计的一部分。

4. 冻结保守的清洗计划

   只对有文档依据的编码转换、类型解析、单位换算和预先定义的派生变量写明确规则。规则要说明触发条件、原值与新值、影响范围及无法判定时如何停止；不静默填补缺失、删除异常行或改写原始数据。

5. 在副本上执行并复核变化

   输出清洗后数据、确认后的字典与变更记录，对照转换前后行数、唯一键、特殊码和主要变量分布。每项排除和合并都应能解释样本流转；检查失败就回到规则或来源文档，不用人工改几个单元格掩盖问题。

6. 把缺失值分析决策留给方案

   按变量和人群报告缺失数量及比例，区分未询问、拒答、测量失败和未知原因。完整案例分析、插补或敏感性分析取决于研究设计、缺失机制假设、模型和抽样结构，不能凭缺失率阈值自动选定；在正式分析前写进方案，并在报告中说明实际处理。

数据进入分析前的检查清单

只有下列问题可回答，清洗结果才有条件交给下一阶段：

• 原始文件、版本、使用条件和官方字典是否可追溯？
• 核心变量的适用人群、单位、取值及特殊编码是否逐项核对？
• 结构性未询问、拒答、测量缺失和未知原因是否分开记录？
• 合并键、记录粒度、重复记录和跨周期可比性是否检查？
• 每项转换或排除是否有规则、理由、影响行数与变更记录？
• 清洗前后样本流转、关键变量分布与数据字典是否一致？
• 正式分析的缺失处理、抽样设计和敏感性分析是否另有预定方案？

STROBE 报告检查清单要求说明缺失数据的处理。清洗日志可以证明做过什么，但不能单独证明研究设计、统计方法或结论正确。

常见问题