1. 课程导入与工程问题定义

在实验数据驱动的研发体系中，数据不是一次性产物，而是会随着实验条件修正、仪器校准、样本重测、算法版本升级而持续变化。一次看似局部的数据变更，往往会在下游的分析脚本、统计模型、可视化报表乃至结论中引发连锁反应。本课程要解决的核心工程问题就是：当实验数据发生变更时，如何系统性地评估影响范围，并通过回归验证确认下游结果仍然可信。

一、实验数据变更的典型场景

实验数据变更并非只有"数据被改错"这一种。从工程实践看，常见的变更场景可以归纳为几类，它们的触发原因、影响面和验证难度各不相同。

• 原始数据修正：传感器漂移导致某批次测量值整体偏移，需要按校准曲线重新换算；或人工录入错误被纠正。这类变更直接改变原始值，影响最广。
• 样本增删：剔除异常样本、补充重复实验、合并新批次数据。样本集合变化会改变统计量、自由度和模型拟合结果。
• 预处理参数调整：滤波窗口、去噪阈值、归一化基准、缺失值填充策略发生变化。原始数据不变，但进入分析的数据形态改变。
• 元数据与标注变更：分组标签、时间戳、单位、实验条件字段被修正。这类变更容易被忽视，却常导致分组统计和条件筛选结果错位。
• 上游数据源版本升级：仪器固件、采集软件或数据导出格式更新，导致同一实验在新版本下产生不同数值。

这些场景的共同点是：变更本身可能是正确的、必要的，但如果没有配套的影响评估和回归验证，就无法判断下游结论是否仍然成立。

二、影响范围：从数据到结论的传导链

要评估影响，必须先看清数据在系统中的流动路径。实验数据通常经历"采集→清洗→预处理→特征提取→建模/统计→结论与报告"的链路。变更发生在链路的哪一环，决定了它向下游传导的距离和强度。

例如，修正原始测量值会一路传导到最终结论；而只调整可视化图表的配色，则几乎不影响统计结论。影响范围评估的关键，是识别变更点下游有哪些依赖该数据的产物：中间数据集、特征表、模型文件、统计报表、图表、结论文档。每一个依赖项都是一个需要检查的节点。

三、回归验证的目标

回归验证不是简单地把流程重跑一遍，而是带着明确判断标准的受控检查。它的目标可以概括为四点：

1. 确认变更按预期生效：变更后的数据或参数确实产生了预期的数值变化，而不是被某处缓存或覆盖逻辑"吃掉"。
2. 确认未引入非预期副作用：变更点之外的其他数据、其他分组、其他指标没有发生意外偏移。
3. 确认下游结论仍然成立，或明确标注变化：如果结论改变，必须能说清是哪个环节、哪个数值导致的，而不是笼统地说"结果不一样了"。
4. 形成可追溯的验证记录：记录变更内容、验证范围、对比结果和判定依据，使后续人员能复现判断过程。

这里要特别强调"判断标准"的重要性。回归验证如果没有预先定义的容差或阈值，就会退化为"看起来差不多"的主观判断。工程上常用的做法是：对关键指标设定允许偏差，例如特征均值相对偏差不超过1%、模型系数符号不变、统计检验p值仍在同一显著性区间内。超出阈值即视为回归失败，需要定位原因。

四、本课程的任务地图与交付物

围绕上述问题，本课程将沿着"识别变更→评估影响→设计回归→执行验证→定位差异→固化流程"的主线展开。你将在课程中逐步掌握以下能力：

• 建立实验数据的依赖关系视图，快速定位变更的下游影响面；
• 设计覆盖关键指标的回归验证用例，包括数值对比、分布对比和结论对比；
• 使用版本化与差异比对手段，量化变更前后的数据与结果差异；
• 对回归失败进行根因定位，区分"变更预期内变化"与"真实缺陷"；
• 将验证过程沉淀为可重复执行的检查清单与自动化脚本。