一、导入后先对数
拿到 CSV 的第一件事不是跑分析，而是核对：行数、列数、ID 是否唯一、每个变量的取值范围、 分类变量的水平数。对数能在五分钟内发现大部分导出错误。
- 行数：原始 220 行，与发放记录是否一致？
- 列数：14 列，字段名是否和字典一致？有没有多出平台自带的序号列？
- ID：S001–S220 是否唯一、有没有重复或跳号？
- 取值范围：依赖与睡眠题项是否都在 1–5？有没有 0、99 或空字符串？
- 分类水平：性别是否只有 0/1，年级是否只有 1–4？
这一步可以用频数分析看分类变量，用描述性统计看连续变量的最小值、最大值和缺失数。
核对和清洗尽量用脚本完成，不要在 Excel 里手工改单元格。手工修改没有记录、无法复现， 也容易因为排序或筛选错行。把清洗步骤写成可重复运行的脚本，或至少按顺序记录每一步操作， 才能在换一批数据时重跑，也才能在答辩时回答“这一行到底是怎么处理的”。
二、缺失值：先看模式，再选方法
缺失处理没有统一答案，但有三条底线：不要默认填 0；要说明缺失比例和模式；要记录处理方法。 如果缺失与某个变量系统相关（例如高分学生更可能不填），整行删除会引入偏差。
| 方法 | 适用情形 | 注意 |
|---|---|---|
| 整行删除（listwise） | 缺失比例低、分散，且近似随机 | 样本量下降；非随机缺失会引入偏差 |
| 均值 / 中位数 / 众数填充 | 少量缺失，只需近似估计 | 会低估方差；不要用于关键结局 |
| 指定值 / 插值 | 有明确规则或时间序列 | 指定值必须有依据；插值要说明方法 |
| 多重插补 | 缺失比例较高、近似 MAR | 需外部工具；MNAR 下仍会有偏，需另做敏感性分析 |
站内数据处理支持整行删除、均值 / 中位数 / 众数 / 指定值 / 插值填充，并会给出处理前后的行数。 无论用哪种方法，都要在清洗日志里写清影响行数。
缺失比例的经验边界
三、异常值：先调查，再决定
异常值不一定是错误。它可能是录入错误，也可能是真实但少见的观测。正确顺序是： 检测 → 回查来源 → 判断保留或剔除 → 做敏感性分析。直接删除会掩盖问题，也会让结果看起来比实际更稳。
三种常见检测方法
- IQR 法：低于 Q1 − 1.5×IQR 或高于 Q3 + 1.5×IQR 记为轻度异常，超出 3×IQR 记为极端异常。
- Z-score 法：|z| 大于 2 或 3 作为提示，适合近似正态的变量。
- Grubbs 检验：检验“是否存在一个离群值”，适合单变量、近似正态的样本。
案例中的异常值
日均使用时长的 Q1 = 2.1，Q3 = 4.1，IQR = 2.0，IQR 法上下界为 -0.9 与 7.1 小时。
S088 报告 14.2 小时，属于极端异常；S041 报告 7.7 小时，属于轻度偏离。 回查后未发现录入错误，主分析保留两者。
敏感性分析剔除极端值后（n = 217）， 依赖与睡眠的相关为 r = -0.694， 主分析为 r = -0.685； 分层回归的 ΔR² 从 0.533 变为 0.534。方向和量级都稳定，因此保留主分析。
四、变量处理：反向、编码、哑变量与变换
五、清洗日志与交付物
清洗结束，交付两份文件：清洗后的 CSV 和一份清洗日志。日志至少包含：处理的变量、 方法、影响行数、处理前后关键统计量的变化、做出该决定的理由；末尾注明生成日期和执行人。
| 步骤 | 处理 | 影响 | 理由 |
|---|---|---|---|
| 缺失 | 整行删除 | 220 → 218 行 | 缺失 0.9%，分散于睡眠题项 |
| 异常值 | 保留，另做敏感性分析 | 主分析 218 行；敏感性 217 行 | 回查无录入错误，结论稳定 |
| 量表 | 依赖 5 题合成均分 | 新增 dep 均分 | 按操作化定义；第 5 题后续复核 |