第一次跑数据，大多数本科生的反应是这样的：
把数据导进 SPSS 或者 Python，跑均值、相关、回归，看着输出窗口里冒出一堆数字，既兴奋又有点慌——不知道这些数字靠不靠谱。
慌得有道理。
这种“直接开跑”的做法，大概率会得到一份看起来漂亮、实际不可信的结果。问题不在统计方法，而在数据本身。
数据如果没有事先清洗，十有八九是脏的。
什么叫“脏数据”？
脏数据不是错误数据。它包含但不限于：
第一类，录入错误。比如调查问卷里有人把“年龄”一栏填了 250。
第二类，格式不统一。比如“性别”一栏，有人填“男”，有人填“M”，有人填“1”，有人填“male”。同一个意思，四种格式，SPSS 会当成四个不同类别。
第三类，缺失值。有些人有些题没填，这些空白被系统当成0、当成-9，或者当成空白，处理方式不同，结果就完全不同。
第四类，异常值。某份回答看起来都填了，但里面的回答模式很可疑——比如一份问卷有60道李克特量表题，这位受访者全部选了“3”。
第五类，重复值。同一个受访者填了两份，因为系统bug或者他自己手抖。
这五类问题，跑统计之前不处理，跑出来的均值、相关、回归都会被污染。
下面是一份比较稳的清洗流程，适合本科生第一次跑数据时用。
第一步，先看维度。
打开数据表，先看三个最基本的事实。
一是行数。你录了多少条数据？跟预期的样本量一致吗？比如回收了 250 份问卷，数据表里却有 280 行，那就说明有 30 行是重复或垃圾数据。
二是列数。每一列对应一个变量，变量名是否清晰？有没有列名为空、乱码，或者明显写错的列？
三是数据类型。每一列是数值、文本还是日期？有没有“年龄”这种本该是数值的列，被系统识别成了文本？
这三件事用 Excel 或 Pandas 都能在五分钟内看完。看完后，你心里大概就知道这份数据“健康度”在什么水平。
第二步，处理重复和缺失。
把重复值用一个键值合并掉。如果是问卷数据，通常用“被试编号”或“提交时间戳 + IP”来识别重复。两条记录完全一样的，留一条；不完全一样但同一个人填的，看时间戳，留更晚的那一条。
缺失值的处理要分两类。
如果某条记录里缺失项很多（比如 60 道题里有人只填了 10 道），直接整条删掉，不用费力去填补。
如果个别题项缺失，要根据题型分别处理。连续型变量可用均值或中位数填补；类别型变量可用众数填补，或标记为“未回答”作为独立类别。
不要忽略缺失值。SPSS 默认按“成对删除”或“列表删除”处理，这会导致不同分析使用不同样本，结果之间无法比较。
第三步，处理格式与异常值。
格式问题用查找替换批量处理。把“男”、“M”、“male”统一编码为 1，把“女”、“F”、“female”统一编码为 2。这一步要特别注意大小写、半角全角、空格——这些隐藏字符是 SPSS 把同一个值识别成两类的常见原因。
异常值要分两步看。
第一步，看是否在合理范围内。年龄填 250 是不可能的，直接删除。
第二步，看是否在合理范围内但离群。比如年龄都在 18 到 24，有一位 67，这份数据是真实的，但它会拉偏所有均值。是否保留，要根据研究问题决定。如果研究的是大学生群体，这位 67 岁的受访者应被剔除，因为他不属于研究总体。如果研究的是“成人学习者”，他就要保留。
第四步，处理“形式上有数据但实质上无效”的记录。
这一步最难，也最容易被忽略。
最常见的情况是问卷被“敷衍填写”——所有题都选同一个选项，或者填写时间过短（300道题只填了1分钟），或者前后回答自相矛盾（“我从不熬夜”加上“我每晚都打游戏到三点”）。
这些记录在数据表里看起来完整，但内容无效，需要根据具体规则筛掉。
一个比较稳妥的做法是设三道关卡：
第一，剔除响应时间过短的记录（具体阈值因量表长度而异）。
第二，剔除标准差过低的记录（比如50道题方差为0，即所有题选了同一项）。
第三，剔除逻辑互斥的回答（在问卷设计时埋了两道彼此矛盾的题，如果一位受访者都选了“非常同意”，这份数据就剔除）。
走完这三道关卡，数据大约会减少10%到15%。剩下的数据，就可以放心做下一步分析了。
清洗完成后，你才能真正开始跑统计。
这套流程在很多本科论文里被忽略，结果就是：跑出来的数字很漂亮，但写到论文里经不起追问。
下次准备跑数据，别急着导进统计软件。先用半天到一天时间把数据清洗干净。
这半天，会决定你后面那半个学期的研究是否站得住脚。