3. 批次稳定性分析的数据清洗与预处理

批次稳定性分析的数据通常来自多个批次、多个时间点、多个检测项目，甚至可能来自不同仪器或不同实验室。原始数据几乎不可能直接用于统计建模：缺失值会让均值与方差失真，异常值会严重拉偏回归斜率，时间戳格式不统一会导致趋势曲线错位，批次编号写法不一致会让分组统计把同一批拆成两批，而不同量纲的变量（如含量 %、水分 %、pH、有关物质 %）直接进入多变量模型时，数值大的变量会主导结果。因此，数据清洗与预处理不是"可选的准备工作"，而是决定后续稳定性结论是否可信的关键环节。

缺失值的识别与处理

首先要区分缺失的类型。稳定性数据中常见的缺失有三类：一是随机缺失，如某次检测因样品量不足未做；二是系统性缺失，如某批次在长期试验第 9 个月未取样；三是结构性缺失，如加速试验本就不设 12 个月点。结构性缺失不应填补，而应在分析时按设计排除。对随机缺失，若缺失比例很低（例如单个时间点缺失率低于 5%），可采用同批次相邻时间点的线性插值；若某批次某指标连续缺失两个及以上时间点，插值会制造虚假趋势，更稳妥的做法是标记为缺失并在回归中按可用点拟合，同时记录缺失原因。

示例：某产品 3 个批次在 0、3、6、9、12 月测含量，批次 B 在 6 月缺失。若 3 月为 99.2%、9 月为 98.6%，线性插值得 6 月约 98.9%，可作为参考值，但必须在数据表中标注"插值"来源，避免与实测值混用。

异常值的判定与处置

异常值不能简单删除。建议先做技术性排查：核对原始记录、色谱图、称量数据，判断是否为录入错误、单位错误（如把 0.52% 录成 5.2%）或仪器故障。确认是技术错误则更正；确认是真实但极端的结果，则应保留并单独说明，因为它可能正是稳定性问题的信号。统计判定可用箱线图法则（超出 Q1−1.5IQR 或 Q3+1.5IQR）或按批次计算 Z 分数（|Z|>3 视为可疑）。对稳定性趋势分析，更推荐残差法：先对每批次拟合时间—指标线性模型，再看残差是否异常，这样能避免把正常的批次间差异误判为异常值。

时间对齐与批次对齐

时间对齐的核心是把"检测日期"转换为"相对于 0 月的月数"。例如 0 月为 2024-03-15，某次检测为 2024-09-20，则应记为第 6 月而非按日历月粗略相减。若同一时间点有多次平行检测，应先按时间点求均值再进入趋势分析，而不是把平行样当作独立时间点。批次对齐则是统一批次编号规则，例如把"20240301A""B240301-1""批号 240301 甲"统一映射为标准批次码，并建立批次—时间—指标的三维数据表（长表格式），便于分组回归。

变量标准化与数据转换

当稳定性分析涉及多指标综合评价（如同时考察含量、有关物质、水分、pH），各指标量纲不同，直接加权或做主成分分析会被数值大的变量主导。常用做法是 Z 分数标准化：对每个指标减去均值再除以标准差，使各变量均值为 0、标准差为 1。需要注意，标准化参数（均值、标准差）应基于同一分析数据集计算并记录，若后续新增批次，应使用原参数变换以保持可比性，而不是重新计算。

数据转换则用于改善分布形态和线性关系。例如有关物质含量常呈右偏分布，取对数后可更接近正态；降解数据若服从一级动力学，对含量取对数后与时间呈线性，回归斜率即为降解速率常数。转换后必须在报告中说明转换方式，因为转换会改变参数的物理含义。

一份可执行的数据清洗记录表

为保证可追溯，建议每个数据集配套一张清洗记录表，至少包含以下字段：批次码、指标、时间点（相对月数）、原始值、处理类型（保留/插值/更正/标记异常/排除）、处理依据、处理人、日期。下表为示例片段（数值为教学假设）：

总之，数据清洗与预处理的目标不是把数据"修得漂亮"，而是让每一个进入模型的数值都有来源、有依据、有标记。缺失值分类处理、异常值技术排查优先、时间与批次统一对齐、标准化参数固定记录、转换方式明确说明，这五步做到位，后续的稳定性趋势判断和有效期评估才站得住脚。