数据基础：从实验台到统计图的底层逻辑

做化学有效性率统计，第一步不是调图表颜色，而是搞清楚你手里拿的是什么数据。我个人习惯先把数据分类整明白，再谈怎么画图。你想想看——把连续数据当成离散数据画柱状图，或者把分类数据当成连续数据算平均值，出来的图不但没法看，结论还可能是错的。

我在项目中遇到过好几回，组里的人拿着 pH 计读数直接当离散值扔进堆叠图，结果趋势线完全乱了，就是因为没区分数据类型。所以这一章咱们好好聊聊：离散、连续、分类这三个数据“性格”，以及怎么把实验台上的原始记录变成干净、可复用的数据集。

化学实验数据的三种“性格”

化学实验数据看着复杂，但按统计特性分，其实就三类。我习惯用生活中的例子来记——离散像“数人头”，连续像“量身高”，分类像“按血型贴标签”。

连续 vs 离散：不只是“有没有小数点”

很多人觉得连续和离散的区别就是能不能有小数。其实没那么简单。区分的关键是：数值之间的间隔是否有意义。

• 离散数据：1 次滴定和 2 次滴定，差值 1 有意义，但 1.5 次不存在。画图时常用点图、柱状图。
• 连续数据：23.5°C 和 23.6°C 都能测出来，差值 0.1°C 有物理意义。画图时常用折线图、箱线图、散点图。

我之前带过一个新人，他把 HPLC 的保留时间（连续）四舍五入到整数当离散数据做卡方，结果组间差异被放大。后来我用原始数据重算了一遍，p 值从 0.03 变成 0.15。所以别为了省事就乱舍入。

分类数据的特殊之处

分类数据看起来最“简单”，其实就是贴标签。但要注意：

• 名义分类：比如催化剂品牌 A/B/C，没有顺序。
• 有序分类：比如反应剧烈程度“弱/中/强”，有顺序但间隔不等。

处理有序分类时，别随便给它赋值 1、2、3 就当成连续数据算平均值。举个例子：“弱=1，中=2，强=3”，平均值是 2.3——这代表什么？实际上没意义。我一般在可视化时把它保留为分类标签，用堆叠条形图展示比例。

数据的采集与整理规范

数据种类搞清楚了，下一个问题是怎么把实验采集的“毛坯”变成可用的“精装数据”。我总结了一套“三步走”规范，这些年帮团队省了不少返工时间。

第一步：原始记录——写清楚，别涂改

我在职业生涯早期吃过亏——实验记录本上温度写了个“25”，没写单位也没写日期，三个月后谁也说不清是 25°C 还是 25K。从那以后我对原始记录的要求就很严格：

• 每一条数据必须有时间戳 + 实验员签名
• 不允许涂改，写错用单横线划掉 + 改后值 + 签名
• 所有测量仪器必须记录型号和校准日期

第二步：数据清洗——把脏数据挡在门外

原始记录进了电脑，第一件事不是分析，而是清洗。我常用的几个检查点：

1. 缺失值检查：找到所有空单元格，区分“机械缺失”（仪器没开）和“人为缺失”（漏记）
2. 异常值检测：用 ±3σ 或 IQR 方法，但别盲目剔除——我曾经差点把一个关键催化剂的“峰值活性”点当成异常扔掉，后来发现是反应条件变了
3. 格式统一：所有小数点统一保留 2 位？还是按仪器精度留 3 位？定一个规则贴到实验台前

import pandas as pd

# 读取原始数据
df = pd.read_excel('exp_raw.xlsx')

# 检查缺失
print(df.isnull().sum())

# 标记异常值（以温度列为例，阈值90-110）
outliers = df[(df['temperature'] < 90) | (df['temperature'] > 110)]
print(f"发现异常值 {len(outliers)} 条")

# 单位统一（温度从华氏度转摄氏度）  
df['temperature'] = (df['temperature'] - 32) * 5/9

第三步：数据存档与命名规范

数据整理好之后怎么存？我见过太多“最终版_V3_真的最终版.xlsx”的悲剧。现在团队里统一用这个命名规则：

这样一来，任何人拿到文件名都能知道：哪天做的、哪个实验、是不是清洗过、是否最新版。别小看这个，当年我们团队因为文件名混乱重做了一周的分析——确实疼过才知道规范的重要性。

这张图把整个流程串起来了：从原始数据出发，先分清楚离散、连续、分类，再按照统一的采集规范记录，最后用清洗和命名规范整理到可分析的干净数据集。我每次做新项目都把这几个节点贴到白板上，组员做完一步打一个勾，清晰又不容易漏。