企业官网建设流程全解析

数据分析这行有一句话：垃圾进，垃圾出。统计方法再高级，如果数据在预处理阶段没收拾干净，后面输出的显著性、回归系数解释起来全是虚的。这是SPSS系列的第二篇，继续聊数据处理，这次集中解决三块：数据清洗、数据变换、文件整理。适用人群很明确：已经会往SPSS里录数据、看频率，但一遇到问卷里有重复个案、缺填项、反向题没处理就手忙脚乱的初级数据分析师；同时也适合那些数据量不小，经常要合并文件、按组输出结果的中级用户。全篇会用一份虚构的消费者问卷数据当例子，所有操作都按菜单路径一步步说，并且会把每个动作背后的道理补齐。

1. 数据清洗：预处理之前的必修课

处理原始数据的第一个原则是别急着建模，先弄清楚数据到底是干净还是脏。SPSS里跑描述统计、频率都是事后动作，做之前你最好已经知道：有没有重复回答、有没有缺失泛滥、有没有离谱到一眼假的数值。否则后面所有分析都在给错误数据打工。

1.1 重复个案：先查重再干活

重复个案最典型的来源是问卷系统没做唯一性限制，或者线下回收后手工录入时同一个样本被扫了两遍。我处理过一份500行的消费者问卷，乍看样本量很够，结果用“标识重复个案”一查，有12行是完全重复的ID。如果不管，后面交叉表、回归都会把这些假样本当成真人算，结论自然跑偏。

操作非常直接：数据 -> 标识重复个案（Identify Duplicate Cases）。在弹出的对话框里，把能够唯一标识一个样本的变量拖到“定义重复的个案”框里。如果问卷有id就用id，没有就退而求其次，用姓名、性别、出生日期这三个字段联合判断，也能达到接近唯一的效果。

关键点在“主个案”的设置上。SPSS默认会在每组重复个案里挑一个作为“主个案”，其余标记为重复项。实际业务里，如果一个人填了两遍问卷，通常要保留后填的那一版，因为可能是修正过的。做法是勾选一个排序变量，比如“填写时间”，然后在主个案选项里选择“最后完成的个案”。这样SPSS会自动生成一列primary_last_之类的变量，值是1的就是主个案，0就是需要清理的重复项。

注意：如果不设置任何排序变量，SPSS会按文件当前顺序把组内第一条当主个案，顺序不对就可能留下旧版本，丢掉新版本。

找到重复项之后，最稳妥的做法是先筛选primary_first_ = 0或primary_last_ = 0的个案查看一眼，确认确实是重复项，再做删除。不要上来就在数据视图里手动按行删，那样既慢又容易误删。真删之前，把原始文件另存一个带_backup后缀的版本，这个习惯能救你无数次。

1.2 缺失值怎么查、怎么补

缺失值是最容易让新手翻车的区域。很多人一打开数据就点频率分析，看到结果里有效样本数只有一半，还以为是数据录入错了，其实根源是某些变量缺失率高，SPSS默认按“列表删除”处理，任何一个关键变量缺失就整行踢掉，样本量骤降。

查缺失率最快的路径是：分析 -> 描述统计 -> 频率（Frequencies），把相关变量都放进去。频率表里每一行都会显示“缺失”列的数量。先把缺失数量除以总样本数算算比例，心里有个底。

处理缺失值时，我的原则是分三层看：

第一，缺失率低于5%，样本量又够大，直接列表删除问题不大。SPSS的多数分析默认就是这种处理方式，结果相对稳定，解释也省事。

第二，缺失率在5%~10%之间，可以尝试填补。横截面数据用均值或中位数填补是最简单的，操作路径是转换 -> 替换缺失值（Replace Missing Values），这个方法对时间序列更正规，但对一般的随机缺失样本也能用。要注意均值填补会压缩变量方差，后续做回归、方差分析时要清楚这个影响。更讲究一点，可以去分析 -> 缺失值分析（Missing Value Analysis）里做EM估计或回归估计补填，这两种方法利用了其他变量的信息，比单纯填均值更合理，但使用门槛也高一些。

第三，缺失率超过10%，或者缺失模式明显不随机，就不要硬填。比如一个问卷量表后几个题目整片空白，多半是受访者填到后半段没耐心了，这种缺失跟题目本身有关，如果直接均值填充等于强造答案。这时候要么把缺失列剔除，要么用多重插补，老老实实走一遍严谨流程。

我自己的习惯是：探索性分析阶段先列表删除跑一遍，如果主要结论稳健，就不为难自己；如果关键结果变化很大，再回头检查是不是某个变量的缺失模式在作怪。

1.3 异常值：别急着踢，先看看到底是谁

异常值有两种，一种是录入错误，比如年龄填了300岁、月收入填了0；另一种是真实存在的极端情况，比如部分受访者确实月收入极低。两者的处理方式完全不同，所以看到异常第一反应不是删，而是把它找出来、看清楚。

SPSS里识别异常值最直观的工具是分析 -> 描述统计 -> 探索（Explore）。画箱线图的时候，SPSS会把落在1.5倍四分位距之外的个案标成小圆圈，落在3倍四分位距之外的标成星号，并且直接标注个案编号。这样你可以快速调出原始记录看看到底是谁、长什么样。

还有一种适合大样本的方法是标准化。路径是：分析 -> 描述统计 -> 描述（Descriptives），勾选“将标准化得分另存为变量”。SPSS会给每个数值变量生成一个Z分数列，均值0、标准差1。按经验，|Z| > 3的个案算是极端值，你可以用数据 -> 选择个案 -> 条件筛选，把这些个案单独调出来检查。

举一个我实际踩过的例子：某次产品体验调研里，量表总分有几个个案低得反常，箱线图把它们标记出来了。我原本以为是无效问卷想删，结果翻原始答卷发现，这几个被试正好把5级量表的含义搞反了，该选“非常同意”的地方选了“非常不同意”。这不是异常样本，而是反向题没做转换。后来用重编码把这几题反向计分，分数立刻正常了。所以异常值永远是线索，不是判决书。

2. 数据变换：让原始变量变成能用的变量

清洗完的数据只是“能看”，离“能用”还有距离。量表要算总分、连续变量要分组、单位不同要比大小，这些都靠数据变换。SPSS的转换菜单里藏着一整套工具，熟练之后你会发现很多所谓“高级分析”的前置工作都在这里。

2.1 计算变量：总分、均分和标准化得分

计算变量的入口是转换 -> 计算变量（Compute Variable），这是SPSS里使用频率最高的功能之一，没有“之一”也不为过。对话框左侧填目标变量名，右侧写表达式，中间有个函数下拉框，SUM、MEAN、SQRT、RND、ABS这些常用函数都在。

量表计分时，如果问卷里10道题是同一维度，总分通常就是10道题加总。写法是total_score = SUM(q1, q2, q3, q4, q5, q6, q7, q8, q9, q10)，或者用简写SUM(q1 TO q10)。用MEAN函数算的是均分，适合维度下题目数量不等、想统一到同一尺度时用。

这里有一个很多人不知道的细节：如果想限制只有答完整张量表的人才计分，可以点击“如果”按钮，写条件NMISS(q1 TO q10) <= 2，意思是10道题里最多允许2道缺失，否则总分不计算。这个条件跳过了缺失过多的半途而废个案，比无脑SUM更有业务逻辑。

标准化的用处也很容易被低估。做回归、聚类时，如果变量量纲不一样，比如年龄（十几到几十）和月收入（几千到几万）放在一起，数值大的变量会天然主导距离计算或模型拟合。把变量转成Z分数后，它们才站在同一起跑线上。分析 -> 描述统计 -> 描述里勾选“将标准化得分另存为变量”，一步到位，生成的Z变量可以直接放到后续模型里。

补充一点：如果只是想把数据压缩到0~1区间做可视化，用(x - min) / (max - min)写进计算变量，比标准化更合适。两种缩放方式对应不同目的，别混用。

2.2 重新编码：连续变分组、反向题处理

重新编码是给变量“换皮肤”的操作。处理年龄、收入这类连续变量时，经常需要把它们变成有序分类变量，比如18~25岁记为1、26~35岁记为2、36~45岁记为3、46岁以上记为4。操作路径是转换 -> 重新编码为不同变量（Recode into Different Variables）。

打开对话框后，左边选源变量，右边填新变量名和新变量标签。在“旧值和新值”窗口里，左边选“范围，从最低到值”或“范围，值到最高”，右边填新代码，逐条把分组边界写清楚。这一段很枯燥，但边界一定不能写错，18岁到底算第一组还是第二组，分析和报告里要前后一致。

重编码最容易翻车的点在于选了“重新编码为相同变量”（Recode into Same Variables）。这个操作会直接把原变量覆盖掉，一旦做错，反向题的分值永远改不回来。所以我强烈建议，凡是需要保留原始题目的情况，一律用“重新编码为不同变量”，并且给新变量名加一个_rev或_grp后缀，这样一眼就能看出它是什么。

反向计分的场景很典型。一个5级李克特量表里，如果第3题是反向表述，那么“非常同意”应该得1分而不是5分。处理方式就是把旧值1->新值5，旧值2->新值4，旧值3->新值3，旧值4->新值2，旧值5->新值1，完全映射一遍。我每次做反向计分之前都会先复制原始列到Excel或SPSS变量视图里备份一份，再重编码，这种低风险习惯能避免很多文件报废现场。

如果是想把连续变量快速分箱，还可以用转换 -> 可视化分箱（Visual Binning）。它会先让你选择连续变量，然后给出等距、等百分位、标准差三种分箱方式，还会展示切点预览。等百分位分组通俗说就是“每组人数尽量一样多”，适合用于组间比较；等距分组则是“每组宽度一样”，适合报告时解释。选完切点后SPSS会生成新变量，整个过程不用手敲边界，比重编码舒服。

2.3 排序、排秩与加权：容易被忽略的三个开关

这三个功能不如计算变量和重编码显眼，但用错任何一个都会让分析结果静悄悄变味。

数据 -> 排序个案（Sort Cases）最简单，按某个变量升序或降序排列表。很多人只在需要看最大最小的时候用，但我觉得它在数据审核阶段特别好用。比如年龄变量排序后扫一眼有没有负值、有没有超长字符串，比肉眼盯数据视图强得多。

转换 -> 排秩（Rank Cases）则是生成秩次变量，把连续变量转成排名。比如考试成绩按从低到高排，最小值为秩1，最大值对应最大秩。这个功能在做Spearman相关和非参数检验前很常用。如果你对两个变量分别排秩，再对秩次做Pearson相关，算出来的结果在数学上就是Spearman相关。很多教材把这个当作公式推导，实际操作里你只需要用SPSS里的排秩功能先转一次。遇到并列值时，SPSS默认取平均秩，你也可以改成最低秩、最高秩或连续秩，看业务需要。

加权个案（Weight Cases）更隐蔽，是新手重灾区。它解决的是“频数表格式”的数据，也就是每行不是一条记录，而是一个分类加一个计数。比如线下问卷汇总成“题5选A有120人，选B有80人”这样的表，如果不把人数设为权重，SPSS会把这2行当成2个样本去算，频数完全失真。操作路径是数据 -> 加权个案（Weight Cases），勾选“加权个案”，把人数变量选进去。做完后状态栏会显示“加权开启”，分析完记得取消，否则后续每个分析都按这个权重跑，解释起来乱成一团。

3. 数据整理：文件结构调整与数据集合并

数据变换解决的是变量层面的问题，文件整理解决的是表结构层面的问题。很多时候分析需要的不只是当前的一张表，而是两个文件合并、按组输出、从长表变宽表。这部分的操作不烧脑，但非常考验工作流习惯。

3.1 拆分文件：让统计结果按组分开输出

如果只想看男性和女性各自的描述统计，拿着数据去分别筛选两次当然可以，但SPSS提供了更优雅的方案：数据 -> 拆分文件（Split File）。对话框里选择“比较组”或“组织输出按组”，再指定一个或多个分组变量，比如性别、城市，之后你做的所有频率、描述、T检验、方差分析都会自动按组输出。

我经常在一个批量分析项目里用它：先按城市拆分文件，然后一次性跑描述统计和频数，SPSS会为每个城市生成独立的结果页，省去反复改筛选条件的麻烦。这个功能适合做亚组分析，也适合在建模前快速看每个组的样本量和分布。

但拆分文件是SPSS里最著名的坑之一。分析完之后，如果忘了回到数据 -> 拆分文件，选择“分析所有个案，不创建组”，那么后续所有分析都会继续按组输出，哪怕你其实只想看整体结果。很多人被这个坑折磨过，我的建议是把它写进自己的常用检查清单，每次分析收尾前扫一眼状态栏。

3.2 选择个案：临时筛选和随机抽样的正确姿势

数据 -> 选择个案（Select Cases）是筛选数据的主力工具。它可以按条件筛选，比如保留gender = 1 & age >= 30的个案；也可以做随机抽样，比如从总样本里随机抽70%，用于拆分训练集和验证集；还可以按个案范围选择。

这个对话框右下角有两个选项：“筛选”和“删除未选定个案”。默认是筛选，SPSS会生成一列filter_$变量，没被选中的个案在数据视图里会带一条斜线，数据本身还在，后续分析自动排除它们。我几乎从不选“删除未选定个案”，因为一旦删除就是不可逆操作，而筛选随时可以恢复。

想取消筛选时，重新打开数据 -> 选择个案，勾选“所有个案”即可。如果你需要来回切换男组、女组、训练集、验证集，与其反复开筛选，不如维护好filter_$变量本身：为同一批数据预先生成多个不同的筛选变量，然后在分析时打开“使用筛选器变量”手动切换。这样做的好处是多个筛选条件可以并行存在，不用每次重新配置条件。

3.3 合并文件：添加个案与添加变量

合并文件是两个数据集拼在一起的统称，SPSS里分两种：纵向的添加个案（Add Cases）和横向的添加变量（Add Variables），都在数据 -> 合并文件（Merge Files）菜单下。

添加个案适用于两个文件结构相同、行内容不同。比如一季度问卷和二季度问卷的词句、变量名完全一致，要把它们拼成一个大表，选添加个案。SPSS会自动匹配相同的变量名，并把匹配不上的变量另列出来；拼完之后默认会生成一个source01变量，用来区分数据来自哪个文件。有一个很容易忽视的前提：两个文件里变量名一样，类型也必须一样。一个文件里age是数值型，另一个文件里age不小心存成了字符串，合并时SPSS就会把这两个变量当成不同列处理，结果就出现两列age。

添加变量则适用于两个文件行对应、内容互补。比如主文件是问卷结果，附属文件是每个受访者所在城市、职业等信息，两边都有id，希望把城市和职业挂到主文件后面。操作时选择添加变量，勾选“使用键变量匹配个案”，把id设成键变量，再确认两个文件都已按id排序。如果没有排序，SPSS会无法正确配对，产生大量无效匹配。

实际操作中我至少要检查合并后的三项内容：行数是否等于主文件行数、有没有出现大量名为变量名2的新列、键变量匹配后有没有产生缺失值。只要这三项干净，合并基本就成功了。合并前在变量视图里清点双方变量名和类型，这个习惯可以省掉后面一大半的排查工作。

3.4 转置与分类汇总：长表和宽表互转

数据 -> 转置（Transpose）会把行和列互换。这个操作在数据形态转换里很有用，但它的输出比较机械，转完之后变量名会变成VAR001之类的占位符，除非你在对话框里指定了一个“个案标识变量”当作新列名。比如原始表第一列是指标名，把它放进去，转置后的列名就是这些指标名，否则后面光看列根本不知道谁是谁。

比转置更常用的是数据 -> 分类汇总（Aggregate）。它相当于SPSS里的分组聚合，按一个或多个分组变量，比如城市，对连续变量做求和、均值、最大值等操作，生成一张聚合表。分类汇总对话框支持“将聚合变量添加到当前数据集”和“创建新数据集”两种输出方式。前者会把组均值等聚合值回填到每一个原始个案上，这在做多层线性模型、中心化处理时非常有用；后者会生成一个独立的汇总文件，相当于把细粒度数据压缩成组级表。

分类汇总生成的聚合数据经常被拿去做一些有趣的后续分析，比如城市级人均消费、品类总销量。它比Excel透视表好在一切都在SPSS工作流里，生成的新数据集可以直接进入线性回归或随机效应模型，不用来回倒腾文件格式。

4. 常见问题与排查技巧实录

这一节是给那些“操作都对，结果总是怪”的人准备的。SPSS的报错有时很直白，更多时候它不报错，而是悄悄给你一个少了一截的输出，那才是最难查的。

4.1 问题速查表

这张表我建议截图或抄在笔记本上，因为它覆盖了SPSS日常使用中90%的“没报错但结果有问题”场景。尤其是前三条，状态栏的“筛选器”“拆分”“加权”三个提示，只要你看到其中任何一个非正常状态，就先停下来恢复，再继续分析。

4.2 场景排查流程

拿到一份分析结果，先别急着解读P值。我会按下面这个顺序做一次体检：

先看输出里的样本量。如果某个分析的样本量和总样本数对不上，立刻回数据视图，查看状态栏是否有筛选器、拆分、加权提示。有就先恢复。再看分组结果，如果同一个统计量莫名其妙出现好几遍，多半是拆分文件没关。最后看频率表，检查加权个案有没有误开。

我自己的固定流程是：每次进入分析前，先打开数据 -> 拆分文件和数据 -> 选择个案，确认两个对话框都处于“不分组”“所有个案”状态。这套检查只要10秒，但能避免很多无返工的尴尬。用过SPSS一段时间的人都知道，有些坑不是不会，而是忘了恢复。

另一个进阶技巧是尽量用数据 -> 复制数据集（Copy Dataset），在同一份主数据上分出多个分析用副本。比如一个副本专门做筛选后的子样本分析，另一个副本专门做合并后的宽表分析。这样每个副本的状态互不影响，主文件永远保持初始状态，出了问题直接关掉副本重新复制一次就行，不用在同一个文件上反复折腾。

4.3 小白最容易忽略的细节

有几个细节，SPSS帮助文档里写得很简略，但实际工作中几乎天天遇到。

第一，字符串变量和数值变量的处理思路完全不同。像“城市”这种文本字段，如果要做分组统计，建议先转换 -> 自动重新编码（Automatically Recode），把它转成一个带数值编码的新变量。直接拿字符串变量做拆分文件或分类汇总，SPSS虽然也能处理，但输出可读性很差。

第二，日期变量直接参与计算往往有问题。如果需要计算两个日期之间的天数，可以用转换 -> 日期/时间向导，或者直接在计算变量里用日期函数把日期转成序列天数，再做差值。先转格式再计算，逻辑就顺了。

第三，变量视图是数据清洗的隐藏战场。合并文件、转置、重编码之后，都要去变量视图里看一眼新变量的名称、标签、类型、缺失值定义。很多莫名其妙的分析结果都源于某列变量类型被悄悄改成了字符串，或者缺失值代码没有正确设置。

第四，保存文件时不要只用一个版本。分析过程中的关键节点各保存一次，文件名加上_v1、_v2、_clean这样的后缀。这个习惯看起来占硬盘，实际上每次操作都有回退路径，比Ctrl+Z强得多。SPSS里有些操作群组执行后很难撤销，多版本保存就是最好的后悔药。

5. 一点个人体会

从刚开始用SPSS到现在，我踩过的坑主要集中在拆分文件忘关、选择个案忘恢复、加权个案误开这三个状态开关上。处理数据这件事，稳妥比聪明重要：拿到一份新的调研数据，先复制备份，再按清洗、变换、整理三步走，最后看一眼状态栏确认筛选、拆分、加权都处于正常状态，再开始跑统计模型。这套流程帮我少返了无数次工。很多人觉得SPSS“简单”，因为菜单点点就能出结果；但真正决定一个分析靠不靠谱的，恰恰是那些最不起眼的数据处理细节。如果你也有过“结果看起来怪但又不知道哪里怪”的时刻，建议回到数据文件本身，用这篇文章里的检查思路重新过一遍，大概率能找到答案。