数据概览

所属分类：描述性分析

这个方法是做什么的

一次把整张表体检一遍：多少行多少列、每一列是定量还是定类、各缺了多少、有多少个不同取值、集中趋势与取值范围是什么。核心是卡② 的三线表——一行一个变量，定量列给均值±标准差与 Shapiro-Wilk 正态性检验，定类列给众数与类别数，两类变量并排放在同一张表里。卡① 另外点名四类结构性问题：常数列、高缺失列、疑似标识列，以及完全重复的记录。

它不做任何假设检验，因而没有“显著 / 不显著”的结论；卡④ 本该放效应量的位置换成了数据质量指标——整体完整率、完全记录率、重复记录率、按 1.5 倍四分位距栅栏算的异常值占比，以及逐变量的唯一率、变异系数、偏度与峰度。卡⑤ 把这些拼成一段可以直接誊进论文“数据来源与预处理”小节的表述，并给出“这份数据是否可用”的综合判定。

数据要求

• 数据表至少 3 行。
• 本方法允许所选变量含缺失值——缺失本身就是分析对象的一部分，不会因为「完整记录不够」被拦下。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

• 刚拿到一份数据、还不知道它长什么样时的第一步
• 合并了多张表，或者数据是别人交接过来的：确认没有整列常数、没有重复行、没把编号列当成分析变量
• 在决定后续走参数方法还是非参数方法之前的摸底
• 论文要交代样本量、变量构成、缺失情况与异常值的识别口径

只要 3 行数据就能跑，不限变量类型，也不会因为缺失率高或存在常数列而被拦下——这些恰恰是它要如实报告的东西。需要留意的只有一条：变量是定量还是定类，优先采用前端标注的类型，未标注时按取值特征推断；若推断结果与业务含义不符，请先回前端改变量类型再重跑，不要在报告里绕过它。

什么时候不要用它

• 只关心少数几个定量变量的完整分布细节（十三个百分位数、均值的置信区间、偏度峰度的 z 值、离群栅栏区间）：用「描述性统计」，本模块每个变量只给一行。
• 变量是分类的，要逐个类别的频数、占比与占比的置信区间：用「频数分析」。
• 要按组拆开看定量变量（男 vs 女、各门店）：用「分类汇总」；若还要判断组间差异是否具统计学意义，两组用「独立样本T检验」、三组及以上用「单因素方差分析」。
• 要把正态性本身当成结论来报告：本模块对每个定量列只跑一次 Shapiro-Wilk，没有 Q-Q 图与 P-P 图，也不做多变量的校正，用「正态性分析」。
• 想弄清缺失是怎么产生的：本模块只报每列缺了多少、完整记录还剩多少，不判断缺失机制、也不还原缺失模式，用「缺失模式分析表」；确定要把缺失补上，再按情形选「多重插补」或「均值估计/回归插补」。
• 要看两个分类变量之间有没有关系：用「列联（交叉）分析」。

容易误读的地方

• “未检验”“不适用（定类变量）”和“不满足”是三件不同的事。 正态性那一列只对定量列执行，且要求该列有 3~5000 个有效观测且不是常数：定类列写“不适用（定类变量）”，条件不满足的定量列写“未检验”——这两种写法都不能读成“服从正态”，那一格根本没有得出过结论。反过来，写“不满足”也不必然意味着非换方法不可：Shapiro-Wilk 的功效随样本量增长，几千行数据里无关紧要的偏离也会被判显著，最终判断要连同卡④ 的偏度、峰度一起看：示例里“满意度得分”p=0.026 被判为不满足，可它的偏度只有 0.038，真正的偏离来自峰度 −0.888，也就是分布比正态更扁平，这与“均值不能用”完全是两码事。
• 变量类型是判定出来的，不是数据自带的。 用 1/2/3 编码的“部门”很容易被推断成定量变量，于是卡② 给它算均值±标准差、卡④ 给它算变异系数与偏度峰度——“部门均值 2.31”不是一个有含义的数。遇到这种行，正确做法是回前端把该列改标成定类再重跑，而不是在解读时自行忽略。
• “完全无缺失的记录数”才是后续分析真正能用的样本量。 整体完整率按单元格算，完全记录率按行算，两者可以差得很远：缺失若分散在不同行，98% 的单元格完整也可能只剩一半的完整行。回归、因子分析这类多元方法默认整行删除，用的正是这个数，而不是表头上的总行数。
• 落在 1.5 倍四分位距栅栏外的点不等于“错误数据”。 卡④ 的异常值占比按 Tukey 栅栏算，右偏分布天然就会有一批点落在栅栏外——示例里“月收入”标出 4.00%、“工作年限”2.67%，而这两个变量的质量标记恰好是“强偏态”，说的其实是同一件事。删不删取决于它是不是录入错误、是不是属于你的研究总体；因为被标出来就删，等于人为把分布削成正态。要压住极端值的影响，用「缩尾处理(Winsorize)」；想改善分布形态，用「数据变换(Box-Cox/Yeo-Johnson)」。
• “唯一率接近 100%”只有对定类变量才是“疑似编号列”的信号。 连续变量本来就几乎每个取值都不同，示例里“月收入”的唯一率 98.67%，它显然不是 ID。同理，“存在结构性问题的变量数”是一个提示计数而不是拦截：示例里那 2 个变量是因为强偏态被计进去的，它们照样可以分析，只是要换非参数方法或先做变换。把这个数读成“有 2 个变量不能用”，会白白丢掉可用信息。

报告里有什么

1. 输出结果一：数据集规模与结构
2. 输出结果二：变量清单三线表
3. 输出结果三：类型与缺失分布可视化
4. 输出结果四：数据质量指标
5. 输出结果五：数据可用性结论