数据整理入门：从一张乱表到可读趋势

很多人第一次拿到数据时的反应是直接画图。结果图出来了，横轴挤成一团，纵轴忽高忽低，看不出任何走势。问题往往不在分析方法，而在整理这一步。整理不是把数据变干净就完事，它的目标是让走势能被看见、被比较、被追问。

先看一个常见场景。某门店导出一份销售表，日期字段写着“2024/3/5 14:32:07”，商品字段混着“苹果-5斤”“苹果 5kg”“红富士苹果”。直接统计，苹果会被拆成三个品类。做法是先拆字段：日期拆成年、月、日、时四列，商品拆成品类、规格、单位三列。拆完之后，同一品类的数据才能合并。这一步花的时间通常占整个整理流程的一半以上，但省不掉。

字段拆完，接着处理缺失值。一份3000行的用户行为表，如果“年龄”列缺了400行，直接删掉会损失13%的样本；全部填0，又会把0岁这种明显异常值带进均值。更稳妥的做法是分情况：缺失比例低于5%，可以剔除；5%到20%之间，用中位数或众数填补，并新增一列标记“是否填补”；超过20%，这列就不适合作为主要观察指标，只能放在备注里。

单位不统一是另一个高频问题。同一份报表里，金额有的写“元”，有的写“万元”；距离有的用公里，有的用米。如果不先统一，算出来的总和可能差出一万倍。一个简单的检查方法：对每个数值列算最大值和最小值，如果最大值除以最小值超过1000，大概率存在单位混用。统一之后再算均值、中位数，走势才有可比性。

整理到这一步，可以开始看走势了。但看走势不等于预测。把过去12个月的订单量按月排列，画出折线，先看三件事：有没有明显的季节波动，有没有突然的跳变，跳变之后是回落还是维持。比如某品类在7月突然从日均200单涨到800单，持续了5天又回到220单，这更像一次促销活动，而不是趋势变化。把它当成趋势去预测下个季度，就会偏得很远。

预测之前，至少需要两个完整周期的数据。月度数据要24个月，周度数据要104周。周期不够，任何模型给出的结果都只能当作参考。更实际的做法是先把观察做扎实：记录每次异常波动的时间点、持续天数、前后差值，积累三到五次之后，再回头判断它是偶发还是规律。这个记录过程本身就是整理的一部分。

最后提一个容易被忽略的细节：整理完的数据要留版本。原始表不动，另存一份清洗表，再另存一份分析表。每次修改记一行日志，写清楚改了什么、为什么改。三个月后回头查一个数字，能顺着日志找到源头，比重新整理一遍省事得多。数据整理没有一步到位的办法，但每一步都留下痕迹，后面的观察和判断才有依据。