4. 可视化前的数据预处理

多维参数扫描往往一次产生成百上千条记录：每一行是一次参数组合，每一列是一个参数或一个响应指标。这样的原始结果直接丢进散点图、平行坐标或热力图，常见后果是坐标轴被极端值拉爆、缺失点让曲线断裂、量纲差异让某些维度“隐身”。因此，可视化前的预处理不是可选项，而是决定图形是否可信的关键一步。本节围绕缺失值处理、异常值检测、归一化与降维准备四个环节展开，并给出可操作的判断依据。

一、先看清数据长什么样

假设我们扫描了两个参数：温度 T（300–500 K）与压力 P（1–10 bar），每个参数取 6 个水平，共 36 组，每组记录响应 yield（收率，%）与 energy（能耗，kW·h）。原始表可能出现三类问题：某些组合因仿真不收敛导致 yield 为空；个别组合因边界条件设置错误出现 yield = 0.02 或 energy = 980 这类离群值；两个响应量纲相差两个数量级。预处理的目标就是让这 36 行数据在进入图形时，每个维度都“站得住”。

第一步是结构化检查：确认行数是否等于参数水平数的笛卡尔积（本例应为 6×6=36），列名与单位是否齐全，参数列是否被误读为字符串。若行数不足，说明扫描任务有中断，应先补跑而不是急着插值。

二、缺失值处理：区分“没测到”和“测不出”

缺失值不能一律删除或一律填充。要按缺失机制分情况处理：

• 随机缺失：如某次仿真因超时未返回结果。若缺失比例低于 5%，可直接删除该行并在图注中说明样本数；若比例较高，可用同参数邻域的中位数填充，但必须在图中用空心标记区分“实测点”与“填充点”。
• 结构性缺失：如某些参数组合在物理上不可行（低压高温下反应不成立），这类空值不应填充，而应作为“无效区域”在热力图中留白，避免伪造出并不存在的响应面。
• 整列缺失：某响应指标全程未采集，应直接剔除该列，而不是用 0 填充——0 在收率语境中是有意义的数值，填充会造成严重误导。

示例中若 36 组里有 2 组 yield 缺失且属随机超时，可删除这 2 行，保留 34 行；若其中 1 组属于不可行组合，则保留该行但将 yield 标记为无效，绘图时单独处理。

三、异常值检测：用统计与物理双重视角

异常值检测建议“统计规则 + 领域常识”双管齐下。统计上可用四分位距法：计算 Q1、Q3，令 IQR = Q3 − Q1，将小于 Q1 − 1.5×IQR 或大于 Q3 + 1.5×IQR 的点视为可疑。以 energy 为例，若 34 个有效值算出 Q1 = 42、Q3 = 68，则 IQR = 26，上限为 68 + 39 = 107，那个 980 显然越界。

但统计越界不等于错误。必须回到扫描日志核对：980 是否对应某组参数下真实的边界工况？若是真实但极端的物理现象，应保留并在图中用不同颜色标注，而不是删除；若是单位录入错误（把 98.0 写成 980），则修正后保留。只有确认是采集或配置错误的值才删除。删除后要记录删除条数与原因，保证图形可追溯。

四、归一化：让不同量纲的维度同台比较

归一化的目的是消除量纲与数量级差异，使图形中各维度具有可比性。常用两种方式：

• Min-Max 归一化：x' = (x − min) / (max − min)，把每列映射到 [0,1]。适合需要固定坐标范围的平行坐标图与热力图，但受极端值影响大，因此必须在异常值处理之后进行。
• Z-score 标准化：x' = (x − μ) / σ，使每列均值为 0、标准差为 1。适合 PCA 等依赖方差结构的降维方法，也适合散点图中多指标叠加比较。

以示例数据为例，T 的范围是 300–500，energy 是 40–100，若直接做 PCA，温度维度会因数值大而主导第一主成分。对 T、P、yield、energy 四列分别做 Z-score 后，各列方差被拉到同一量级，主成分才反映真实的参数—响应结构。注意：归一化参数（min/max 或 μ/σ）必须只用训练/主数据集计算，再应用到全部数据，避免信息泄漏。

五、降维准备与呈现一致性

当参数维度超过 4 个时，直接可视化会拥挤，可先做降维准备：确认各列已完成标准化、缺失与异常已处理、类别型参数已编码为数值或单独着色。此时再运行 PCA 或 t-SNE，得到二维嵌入用于散点图；同时保留原始参数列，以便在悬停或图注中回溯每个点的真实参数值。降维结果只用于“看结构”，不能替代原始参数的解释。

完成上述步骤后，数据才具备进入可视化环节的资格：缺失有交代、异常有依据、量纲已统一、降维有前提。此时无论选择散点图、平行坐标还是热力图，图形所传达的结构都更接近扫描结果的真实面貌。