本文章為SPSSAU數據分析思維培養的第一篇文章。
想要進行科學的數據分析，正確的數據格式，以及正常的數據是最基本的。而且數據的准備和數據的理解，正是科學的數據分析思維必備條件之一。
想要准備好自己的數據，需要從以下六個方面進行處理：
- 第1點，是需要准備好正確的數據格式
- 第2點，在於對數據的基本處理，包括數據標簽、數據編碼和生成變量等
- 第3點，是一些分析方法需要的數據特殊格式准備
- 第4點，是數據異常值，或者無效樣本數據的處理
- 第5點，是數據基本特征探索
- 第6點，是一些其它注意事項等
第1點，數據格式
在進行數據分析前，數據的准備是第一點，不論是使用數據庫下載的數據，或者實驗數據，也或者問卷調查數據，手工錄入數據等。不論是直接從系統下載的原始數據，還是自己手工錄入的數據，均需要按照數據分析思維的規范格式進行，否則任何軟件都無法分析。
但通常情況下，很多人都會忽略此步驟，認識有了數據馬上就可以分析，其實不然，准備數據和數據的基本處理也屬於數據分析的范疇，而且正常情況下數據處理花的時間占比會超過50%，也即是說想完成一項分析，其實有超過50%的時間（多數情況下會是70%左右）都是在准備數據上。
接下來以例子說明下什么是正確的數據格式，首先看下常見的錯誤數據格式例子如下圖：
上圖為是最為常見的一種錯誤數據格式，手工錄入到EXCEL里面的時候，非常的隨意，想如何就如何。但一旦想進行分析的時候就會出錯，那是由於EXCEL是表格軟件，而不是數據分析軟件，所以隨意的格式都可以。
上圖中出現了5個常見的問題，分別是：
第1：出現合並單元格，A1和A2這兩個單元格合並，在分析的時候軟件就不知道名字應該叫什么，所以直接無法上傳到軟件中；
第2：C1這個單元格本身是標識體重信息，但直接為空，分析軟件可不知道空就是‘體重’的意思，這是非常明顯的錯誤；
第3：A列里面為性別，但是數據非常不規范，男，男性，MALE這三個詞語都是男，但是分析軟件會認為這是3個不同的名詞，這也可以很好的解釋為什么‘填空題’這種雜亂無章的數據通常是無法分析的原因；
第4：B8這個格子里面為‘平均為175’，這是錯誤的。原因在於B列是標識身高信息，而不是平均身高信息，如果需要得到平均身高，讓分析軟件幫你計算就好；
第5：C7這個格式為‘無數據’，其實就是缺失數據，直接空着就好，否則分析軟件會認為‘無數據’是一個數據信息。
上述已經列出常見的錯誤特征，接下來說明正確的數據格式如下：
規范的數據格式（可用於數據分析）應該是這樣，第1行為‘標題’即具體名字，第2行起為具體的數據，且不能有合並單元格的情況，如果為空值即缺失值，直接不錄入就好。並且數據信息需要規范，比如男，男性，MALE這三個詞語都應該規范成‘男’。
任何的分析軟件都應該提供規范的數據格式才能分析，以SPSSAU為例，其支持的數據格式說明如下，且SPSSAU支持EXCEL格式（包括CSV，xls和xlsx三種類型），SAV(SPSS格式等)，使用SPSSAU右上角‘我的數據’上傳數據后即成功導入了數據。
需要特別說明的一點是：數據分析軟件事實上只認識數字，比如上例中的‘男’，‘女’，軟件是不認識的，那么軟件如何處理呢。它會自動把‘男’或‘女’用數字1或2進行表示，然后打上數字的標簽，分析出來后數字1的時候就會顯示成‘男’，數字2就會顯示成‘女’。任何的機器原理上都只認識數字而不認識文字，全部都是將文字‘數字化’處理。因此接下來會進行一些數字標簽，以及數據基本處理的說明。
除此之外還需要說明一點是：如果有多份數據，這是需要自己合並整理在一個EXCEL工作表里面才可以，分析軟件是無法知道多份數據分別代表什么意思，需要自己手工將數據合並整理在一個工作表里面后才能進一步分析。
第2點，數據標簽及編碼處理等
上一點已經說明正確的數據之后，接下來說明下數據的基本處理，包括數據標簽、數據編碼和生成變量。關於數據處理相關的操作，SPSSAU截圖如下：
完成正確的數據上傳后，那么數字代表的意義是什么呢？比如數字1表示男，數字2表示女，這需要告訴軟件才可以，這即是數據標簽的功能，SPSSAU操作如下：
除了數據標簽外，有時候還可能需要進行數據編碼處理，比如希望對年齡分成3個組別，分別是20以下，20~30，30以上。此時就需要使用數據編碼處理，如下圖：
上圖中顯示，將0~20歲編碼成數字1；20~30編碼成數字2；30到100編碼成數字3；當然至於數字1，2，3分別代表的意義，只有分析人員自己才知道，所以一般還需要使用數據標簽功能去標識出數字1，2，3代表的意義。
很多時候還需要對數據生成變量處理，比如說對體重或者身高求對數處理，或者對數據開根號，取絕對值，求和，求平均值處理等，那么可使用SPSSAU生成變量功能，SPSSAU提供大約30類數據處理的功能基本上可以滿足所有人的需求。當然有時候還需要更多的處理，可使用‘高級公式’自己輸入公式處理即可。
在完成數據編碼，生成變量之后，有可能會想對‘標題名稱’修改或者刪除掉多余項，此時可使用SPSSAU‘標題處理’功能即可。
第3點，分析方法數據格式
在完成正確的數據上傳及數據處理后，通常就可以開始進行正常的分析了，絕大多數的分析都可以完成。但有的時候，個別研究方法對於數據格式是有特殊要求的，所以還需要按照其特征的數據格式要求進行准備數據，比如卡方檢驗時有時提供的是‘加權’數據格式，kappa一致性檢驗，模糊綜合評價分析方法等特別分析方法時，對於數據的格式有特殊的要求，建議可直接查看SPSSAU幫助手冊里面的案例數據格式，當然也可以直接使用SPSSAU的案例數據里面的格式模仿參考進行即可。
具體可在此頁面查看SPSSAU的案例數據格式：
https://spssau.com/front/spssau/helps/otherdocuments/spssaucasedata.html
第4點，數據異常或無效處理
對於上傳后的數據，有時候會出現異常情況，比如正常男性成年人的身高是介於1.5~2米之間，但是如果出現一個數據為1.2米，那這種異常數據在分析之前是需要進行處理才可以，一般情況下是把該值直接設置成null值。SPSSAU操作如下：
也有的時候會對數據標識為無效樣本，比如一份關於淘寶購物滿意度的問卷，填寫者全部都填寫完全相同的答案，說明該樣本沒有認真填寫，此時可將該樣本設置為無效樣本，SPSSAU操作如下圖（將相同數字大於70%設置成無效樣本）：
第5點，數據基本特征探索
通常在分析前，還需要首先探索下數據的特征，看下數據是否有異常情況，大概看下數據的特征情況等，便於做到心中有數，比如正常男性成年人身高是介於1.5~2米之間，但數據中有沒有異常值呢，通常可使用描述分析大概看下就好。如下圖中最小值是1.69米，最大是1.82米，都是正常數據。
當然還可以查看一些更深入的數據指標，比如百分位數等，如下圖：
另外也可以使用箱線圖、或者散點圖等看下是否有異常數據，SPSSAU可視化里面均有提供。
第6點，其它
數據的准備和清理是進行數據分析的第一步，而且正常情況下，此步驟占用了數據分析超過50%（大部分情況下是70%）的時間，但此步驟非常容易被普通用戶忽略。
完成數據准備和基本的清理，數據異常，數據無效，以及數據特征探索之后，才能開始進入下一步，即正常的數據分析。否則后面分析發現有着異常數據或者無效數據，也或者錯誤的數據，那么中間所有的分析都會白費。
預告一下接下來的幾期內容：
感興趣的同學千萬別錯過！