数据清洗的SPSS软件实现项目二健康数据清洗与筛选17课件.pptxVIP

数据清洗的SPSS软件实现主讲老师：许华《健康数据统计分析》项目二健康数据清洗与筛选版权单位：

任务描述项目一建立了“老年人慢性病健康数据库”，但在实际的数据收集和整理过程中，数据可能存在不完整、不准确、不一致等问题，还要聚焦于特定的慢性病患者群体，排除不符合研究要求或存在错误的数据记录，从而提高分析的准确性和效率。因此需要对数据进行清洗与筛选。任务一：对“老年人慢性病健康数据库”进行数据清洗

任务分析对于老年人慢性病健康数据库中存在的问题，我们需要运用合适的方法对缺失值进行填补，对异常值进行修正或剔除，对错误值进行更正，以确保数据的质量。

任务实施一、处理缺失值MISSING函数可以用来检测数值类型和日期类型的变量是否缺失。例如MISSING（年龄）。1.执行“ComputeVariable”命令，生成新变量“缺失标志”。如果对多个数值类型或日期类型的变量同时查询，可以使用逻辑或运算符“|”将各变量的缺失条件连接起来。输入公式后，输出的结果中“缺失标志”为1，则该样本的“年龄、收缩压、舒张压、空腹血糖、总胆固醇、收集时间”等其中之一有缺失，缺失标志为0代表不缺失。经查询，找到第21条、第47条记录分别存在“年龄”缺失和“收集日期”缺失。（一）数值类型和日期类型的变量缺失

任务实施2.个别样本的年龄缺失可以通过身份证号信息推算出年龄信息，进行补全。执行“ComputeVariable”命令，生成新变量“推算年龄”，输入公式，用当年的年份减去身份证号中的年份，生成“推算年龄”后，可以根据它对“年龄”列缺失值进行填补即可。一、处理缺失值（一）数值类型和日期类型的变量缺失

任务实施3.“收集时间”的缺失没有办法通过其他字段信息准确的填补，只能用数据采集周期的中位数日期填充。执行“Analyze”→“DescriptiveStatistics”→“Frequencies”命令，将“收集时间”添加到变量框中，统计变量选择“Median”，SPSS会输出收集日期的中位数。将中位数日期“2024/06/16”填充到第47条样本“收集时间”单元格中即可。一、处理缺失值（一）数值类型和日期类型的变量缺失

任务实施一、处理缺失值（二）字符串类型数据缺失值处理1.执行“ComputeVariable”命令，输入新变量名“缺失标志”。使用逻辑或运算符“|”将所有字符串类型变量的缺失条件连接起来，输入公式后，会对字符串类型数据是否为空字符串进行判断，缺失标志为1代表缺失，0代表不缺失。

任务实施2.“姓名”缺失无法填充，可以选择直接删除该类样本。而“性别”的缺失可以从“身份证号”上面获取，身份证号第17位是偶数，则为女性，是奇数则为男性。执行“ComputeVariable”命令，生成新变量“性别数字”，输入公式，完成“性别数字”的提取，按照国家规定，数字为偶数代表女性，数字为奇数代表男性。按照“性别数字”的值，完成性别缺失值的填补。一、处理缺失值（二）字符串类型数据缺失值处理

任务实施描述统计法、箱线图法和Z分数法是三种常见的方法。1.描述统计方法执行“Descriptives...”命令，将数字变量选入右侧变量框，选择统计量，查看输出结果初步判断是否存在超出合理范围的异常值。假设年龄超出0-120岁范围算异常值，收缩压超出60-200mmHg范围算异常值，舒张压超出40-120mmHg范围算异常值，血糖超出2.2-22mmol/L范围算异常值，总胆固醇超出2-10mmol/L范围算异常值，运动频率超出0-14次算异常值。二、识别异常值（一）数字类型数据

任务实施二、识别异常值（一）数字类型数据2.箱线图法执行“Boxplot...”命令，选择“Simple”选项，勾选“Summariesofseparatevariables”，单击“Define”按钮，将数字变量移动到“BoxesRepresent”，然后单击“OK”按钮。箱线图会显示数据的中位数（Median）、四分位数（Quartiles）和异常值（Outliers），箱线图中超出上边缘和下边缘的点被视为异常值。从图中可以看出第10个、第16个样本的年龄被认定为异常值，第9个、第23个样本的收缩压被认定为异常值，第14个样本的舒张压被认定为异常值，第35个、第43个样本的空腹血糖被认定为异常值，第41个、第38个样本的总胆固醇被认定为异常值，但是否真是异常值还需进一步确认。

任务实施二、识别异常值（一）数字类型数据3.Z分数法执行“Descriptives...”命令，将数字变量选入右侧的变量框中，然后勾选“Savestandardizedvaluesasvariables”选项，生成对应的Z分数变量（如“Z年龄”“Z血糖”“Z血压”）。一般情况下，Z分数的绝