龙之吻(水货)1. 为什么数据清洗是数据分析的第一步
刚入行数据分析那会儿，我接手的第一份任务是分析某电商平台的用户行为数据。当我兴冲冲打开数据集准备大展拳脚时，眼前的景象让我傻了眼——出生日期写着"9999年"的用户、性别栏填着"未知"的选项、购买金额出现负数的记录...这就是数据清洗没做好的典型后果。
数据清洗就像做饭前的食材处理，再厉害的厨师也没法用发霉的食材做出美味。SPSS作为老牌统计软件，提供了一套完整的数据清洗工具箱。我常跟团队新人说，花在数据清洗上的时间至少应该占整个分析过程的40%，这个投资绝对值得。
常见的数据质量问题主要有三类：一是缺失值，比如问卷漏填；二是异常值，比如年龄填200岁；三是不一致数据，比如同一个用户在不同时间点的性别信息矛盾。这些问题不解决，后续分析就是沙上建塔。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据质量检查的实战技巧
2.1 快速定位数据问题
在SPSS中，我最常用的诊断工具是【分析】→【描述统计】→【频率】。这个简单的操作能立即显示每个变量的缺失值比例、极端值和分布情况。记得有次分析消费者满意度数据，就是通过频率分析发现"售后服务"项的缺失率高达30%，追问后才知是问卷设计出了问题。
对于连续变量，箱线图是发现异常值的神器。在SPSS中通过【图形】→【图表构建器】选择箱线图，那些孤悬在箱体外的点就是需要重点检查的对象。我曾用这个方法发现过数据录入时小数点错位的情况（把12.3输成123）。
提示：检查数据时建议把变量视图和输出查看器并排显示，这样能同步查看元数据和统计结果。
2.2 处理缺失值的三种策略
面对缺失值，SPSS提供了灵活的解决方案。对于少量随机缺失，我通常用【转换】→【替换缺失值】里的序列均值填充。比如处理销售数据时，某天数据因系统故障丢失，用前后几天的平均值替代比直接删除更合理。
但当缺失比例超过15%时，就需要更谨慎的方法。多重插补（【分析】→【多重插补】）是我的首选，它能通过建立预测模型来估算缺失值。有次处理医疗数据，就是用这个方法保留了80%原本要丢弃的样本。
第三种情况是整行数据无意义，这时【数据】→【选择个案】的"过滤未选个案"功能就派上用场。但要注意，删除数据会改变样本结构，特别是时间序列数据要避免造成断点。