数据清洗实操：R+SPSS 处理糖尿病患者缺失值与异常值（附代码 / 步骤）

做临床统计时，很多医生朋友会陷入这样的困境：“收集了 200 例 2 型糖尿病患者的血糖、血脂数据，满心欢喜准备做分析，却发现数据里全是‘坑’——12 个空腹血糖值是空的，还有 8 个 BMI 低到 2.1 kg/m²，直接用这些数据做统计，结果肯定不可靠，更别说发 SCI 了。” 其实，数据清洗是医学统计的 “关键预处理环节”，就像做菜前要 “挑菜、洗菜”，只有把缺失值、异常值处理好，后续的 t 检验、回归分析才能得出可信结论。今天就以 200 例 2 型糖尿病患者的真实数据为例，手把手教大家用 R 和 SPSS 处理数据问题，每步都附具体代码和操作截图，看完就能上手。​

先明确一个核心认知：临床数据 “不完美是常态”。200 例糖尿病患者数据中，我们关注 3 个关键指标：空腹血糖（FBG，单位 mmol/L）、糖化血红蛋白（HbA1c，单位 %）、体重指数（BMI，单位 kg/m²）。初步检查发现：12 例患者的 HbA1c 数据缺失（未检测），8 例患者的 BMI 数据异常（其中 2 例为 2.1、3.5 kg/m²，明显低于正常下限 18.5；6 例为 45.2、51.8 kg/m²，高于临床常见范围）。这些问题若不处理，会直接导致统计样本量减少、结果偏差，甚至被 SCI 审稿人以 “数据质量差” 拒稿。​

一、缺失值处理：3 种方法 + R/SPSS 实操（以 HbA1c 缺失为例）​

缺失值是临床数据中最常见的问题，处理核心原则是 “不随意删除，优先合理填充”。针对 200 例糖尿病患者中 12 例 HbA1c 缺失，我们分 3 种场景选择处理方法：​

1. 场景 1：缺失率低（<5%）且数据随机缺失 —— 均值 / 中位数填充​

若 12 例 HbA1c 缺失仅占总样本的 6%（接近 5%），且缺失原因是 “随机漏测”（与患者病情无关），可采用 “均值填充”（适用于正态分布数据）或 “中位数填充”（适用于非正态分布数据）。​

• 第一步：先做正态性检验​

先判断剩余 188 例患者的 HbA1c 是否符合正态分布：​

• R 实操：用shapiro.test()函数，代码如下：

# 加载数据（假设数据框名为diabetes）

diabetes .csv("糖尿病患者数据.csv")

# 提取非缺失的HbA1c数据

hba1c_complete $HbA1c[!is.na(diabetes$HbA1c)]

# 正态性检验

shapiro.test(hba1c_complete)

# 结果解读：若P>0.05（如P=0.12），说明符合正态分布

• SPSS 实操：分析→描述统计→探索→将 HbA1c 选入 “因变量列表”→勾选 “正态性检验”→结果若 “夏皮罗 - 威尔克检验 P=0.12”，则符合正态分布。​
• 第二步：填充缺失值​
• R 实操：计算均值并填充，代码如下：

# 计算非缺失HbA1c的均值

hba1c_mean (hba1c_complete)

# 用均值填充缺失值

diabetes$HbA1c[is.na(diabetes$HbA1c)]

# 填充后验证：缺失值数量应为0

sum(is.na(diabetes$HbA1c))

• SPSS 实操：分析→缺失值分析→替换缺失值→将 HbA1c 选入 “定量变量”→方法选 “均值”→点击 “确定”→生成新变量（如 HbA1c_imputed）。​

2. 场景 2：缺失率中等（5%-20%）且有相关变量 —— 多重插补法​

若 HbA1c 缺失率为 10%，且发现 “HbA1c 与空腹血糖（FBG）高度相关”（r=0.78，P1），可采用 “多重插补法”（基于相关变量预测缺失值，更精准）。​

• R 实操：用mice包，代码如下：

# 安装并加载mice包

install.packages("mice")

library(mice)

# 基于FBG、年龄、性别等变量插补HbA1c（假设这些变量无缺失）

imp abetes, m=5, method="pmm", seed=123)

# m=5：生成5个插补数据集；method="pmm"：适用于定量变量

# 提取插补后的完整数据集（取第1个，也可合并5个结果）

diabetes_imputed (imp, 1)

# 验证：缺失值已填充

sum(is.na(diabetes_imputed$HbA1c))

• SPSS 实操：分析→缺失值分析→多重插补→将 HbA1c 设为 “目标变量”，FBG、年龄、性别设为 “预测变量”→设置 “插补次数 = 5”→运行后生成插补数据集。​

3. 场景 3：缺失率高（>20%）或非随机缺失 —— 删除样本​

若 HbA1c 缺失率达 30%，或缺失原因是 “重症患者无法检测”（与病情相关，非随机缺失），填充会导致结果偏差，此时应 “删除缺失样本”（仅删除该变量缺失的样本，而非整个病例）。​

• R 实操：用na.omit()函数，代码如下：

# 仅删除HbA1c缺失的样本，保留其他变量完整的病例

diabetes_clean (diabetes[, c("FBG", "HbA1c", "BMI")])

# 验证：样本量从200变为188

nrow(diabetes_clean)

• SPSS 实操：数据→选择个案→如果条件满足→HbA1c≠系统缺失→点击 “确定”→仅保留 HbA1c 完整的样本。​

缺失值处理避坑点：绝对不要用 “0” 填充缺失值（如将缺失的 HbA1c 填为 0，会导致均值被严重拉低）；也不要直接删除所有有缺失的样本（会大幅减少样本量，降低检验效能）。​

二、异常值处理：3 步识别 + 2 种解决方案（以 BMI 异常为例）​

异常值通常是 “录入错误” 或 “极端病例”，处理核心是 “先核实，后决策”。针对 200 例糖尿病患者中 8 例 BMI 异常，我们按 “识别→核实→处理”3 步操作：​

1. 第一步：可视化识别异常值 —— 箱线图法（最直观）​

• R 实操：用ggplot2包画箱线图，代码如下：

install.packages("ggplot2")

library(ggplot2)

# 画BMI箱线图，标出异常值

ggplot(diabetes, aes(y=BMI)) +

geom_boxplot(fill="lightblue", outlier.colour="red", outlier.size=3) +

labs(title="糖尿病患者BMI箱线图", y="BMI (kg/m²)") +

theme_bw()

# 结果解读：红色点为异常值，可看到2.1、3.5、45.2等明显偏离箱体的点

• SPSS 实操：分析→描述统计→探索→将 BMI 选入 “因变量列表”→勾选 “箱图”→结果中箱线图的 “圆点” 即为异常值，同时输出 “极端值列表”（标注异常值对应的患者 ID）。​

2. 第二步：数值识别异常值 ——Z 分数法（量化判断）​

箱线图偏主观，可结合 Z 分数（Z=（数值 - 均值）/ 标准差）判断：通常 | Z|>3 的数值为 “极端异常值”，|Z|>2 为 “潜在异常值”。​

• R 实操：计算 BMI 的 Z 分数，代码如下：

# 计算BMI的均值和标准差

bmi_mean BMI, na.rm=TRUE)

bmi_sd abetes$BMI, na.rm=TRUE)

# 计算每个患者的BMI Z分数

diabetes$BMI_Z abetes$BMI - bmi_mean) / bmi_sd

# 筛选出|Z|>2的异常值

abnormal_bmi (diabetes$BMI_Z) > 2, c("患者ID", "BMI", "BMI_Z")]

print(abnormal_bmi)

# 结果：8例患者的Z分数均>2（如2.1 kg/m²的Z=-5.8，45.2 kg/m²的Z=3.2）

• SPSS 实操：转换→计算变量→输入公式 “(BMI - MEAN (BMI))/SD (BMI)”→生成 Z 分数变量（如 BMI_Z）→数据→排序个案→按 BMI_Z 降序→筛选出 | Z|>2 的病例。​

3. 第三步：处理异常值 ——2 种方案（先核实后选择）​

识别出异常值后，首要步骤是回查原始记录（病历、检测报告），判断异常原因：​

• 方案 1：录入错误（最常见）—— 修正为正确值​

若回查发现：2 例 BMI=2.1、3.5 kg/m² 是 “录入时少写了 1”（实际为 12.1、13.5 kg/m²，虽仍偏低，但符合 “消瘦患者” 临床情况）；6 例 BMI=45.2、51.8 kg/m² 是 “录入时多写了小数点”（实际为 25.2、21.8 kg/m²，属于正常范围）。​

• R 实操：直接修正数据，代码如下：

# 修正患者ID为101的BMI（从2.1改为12.1）

diabetes$BMI[diabetes$患者ID == 101] 2.1

# 修正患者ID为105的BMI（从45.2改为25.2）

diabetes$BMI[diabetes$患者ID == 105] 5.2

• SPSS 实操：找到异常值对应的行（通过患者 ID），直接在数据视图修改数值。​
• 方案 2：真实极端值（少见）—— 缩尾处理 / 保留​

若回查确认：某患者 BMI=12.1 kg/m² 是 “真实的严重消瘦”（因糖尿病合并营养不良），且该患者其他数据完整，此时不建议删除（会丢失重要临床信息），可采用 “缩尾处理”（将极端值替换为 “95% 分位数” 或 “3 倍标准差界限值”）。​

• R 实操：缩尾处理，代码如下：

# 计算BMI的95%分位数上限和5%分位数下限

bmi_95 abetes$BMI, 0.95, na.rm=TRUE) # 如29.8

bmi_05 $BMI, 0.05, na.rm=TRUE) # 如17.2

# 将超过95%分位数的BMI替换为29.8，低于5%分位数的替换为17.2

diabetes$BMI[diabetes$BMI > bmi_95] mi_95

diabetes$BMI[diabetes$BMI 05] _05

• SPSS 实操：转换→可视离散化→将 BMI 选入 “变量”→设置 “分位数” 为 5% 和 95%→将超出范围的数值替换为界限值。​

异常值处理避坑点：不要直接删除所有异常值！很多时候，极端 BMI 可能对应 “特殊病例”（如糖尿病合并肥胖症、营养不良），这些病例反而有重要临床意义，盲目删除会导致 “选择性偏倚”，被 SCI 审稿人质疑。​

三、数据格式标准化：2 个关键步骤（避免软件识别错误）​

除了缺失值和异常值，“数据格式错误” 也会导致统计软件无法识别，比如：​

• 空腹血糖（FBG）录入为 “7.8mmol/L”（带单位），软件会识别为 “文本” 而非 “数值”；​
• 性别录入为 “男 / 女”（中文文字），后续回归分析需转换为 “1/0” 编码。​

针对这些问题，我们做 2 步标准化：​

1. 去除数值变量的单位，保留纯数字​

• R 实操：用gsub()函数删除单位，代码如下：

# 假设FBG变量为文本格式（如"7.8mmol/L"），提取数字

diabetes$FBG gsub("[^0-9.]", "", diabetes$FBG))

# 结果："7.8mmol/L"变为7.8

• SPSS 实操：转换→替换字符串→将 “mmol/L” 替换为空→再将 FBG 变量类型改为 “数值”。​

2. 文本变量转换为数值编码（如性别）​

• R 实操：用ifelse()函数编码，代码如下：

# 将性别"男"编码为1，"女"编码为0

diabetes$性别 else(diabetes$性别 == "男", 1, 0)

• SPSS 实操：转换→重新编码为相同变量→将 “男” 赋值为 1，“女” 赋值为 0→确定。​

四、清洗后验证：3 个检查点（确保数据可用）​

处理完缺失值、异常值和格式问题后，必须做 3 步验证，确保数据可用于后续统计：​

1. 缺失值检查：R 用sum(is.na(diabetes))，SPSS 用 “分析→描述统计→频率”，确认无缺失值；​
2. 异常值复查：重新画箱线图、计算 Z 分数，确认异常值已修正或合理处理；​
3. 变量类型确认：R 用str(diabetes)，SPSS 查看 “变量视图”，确认 FBG、BMI 为 “数值型”，性别为 “数值型（编码）”。​

数据清洗看似繁琐，但却是医学统计的 “基石”——200 例糖尿病患者数据经过清洗后，样本量稳定、数据可靠，后续做 “不同治疗组血糖对比”“BMI 与并发症的相关性分析” 时，结果才能被 SCI 期刊认可。​

接下来的系列文章中，我会以冠心病患者数据为例，讲解 “统计描述的正确方法”（比如均数 ± 标准差和中位数 + 四分位数的选择），同样附 R 和 SPSS 的完整操作。如果你的研究中遇到过 “数据清洗后仍报错”“不知道如何判断缺失值原因” 等问题，欢迎在评论区留言；想系统学习医学统计 + SCI 实操的朋友，记得关注我，后续内容会持续帮你避开统计陷阱，让研究更顺利！