把 Excel 交给 AI 分析前，先让它交一张数据体检单

你有没有过这种时刻——数据表已经躺在对话框里了，手指悬在发送键上，突然想不起来：这几列的缺失值当时是怎么填的？两个表拼的时候有没有重复的人？单位到底是万元还是元？

然后你还是发出去了，因为"先跑跑看"。跑出来的结果挺漂亮，R² 也好看。至于那份表里到底有没有问题——你已经不记得了，而且现在也没法回去查了。

问题不在于 AI 会不会算错。真正的问题是：它不会告诉你数据本身有病。

它拿到一张有缺失、有重复、有量纲错位的表，照样能跑出结果，照样给你解释。它不会停下来问："你这列里有两个数差了三个数量级，是单位没统一吧？"——它只会照算，把错误平滑地混进结论里。

所以真正该在分析之前做的一件事是：先让 AI 交一张数据体检单。

第一步：提示词，直接复制

下面这段整段复制，把你的表贴进去：

先不要分析，只做一件事：给我一张数据体检单。

规则：一、逐字段登记：字段名、数据类型、缺失条数、取值示例、单位是否明确；二、登记重复记录：哪些行可能是同一条记录重复出现，给出依据；三、登记异常值：数值明显偏离同列的，给出具体数值和偏离倍数；四、登记单位与量纲疑点：同一字段内是否存在量纲不一致；五、登记口径疑点：同一含义的取值写法不一致的地方；六、只登记你能从表里看到的事实，不要猜字段的业务含义，不要替我决定哪条要删、哪条要改；七、每条登记都要能回指到具体行号或行标识；八、最后单独列一张「待你确认清单」：列出你无法从表内确定、必须由我来回答的问题。

两处是刻意的。第六条那句"不要猜字段的业务含义"——这是整段的核心，AI 最大的越权不是算错，是替你猜"数字化投入的单位应该是万元"；最后那条待确认清单——逼它把不知道的东西显式交回来，而不是含糊带过或自己填一个。

这个时候做实证的朋友又会说这不就是古法科研需要去做的吗？是的，现在我们只是把这些经典的方法交给了AI让他去完成而已。以此类推，你的课题组可能还沉淀了其他关于数据清理的方法，你都可以把它整理成一个清单发给 AI。

还有一个小的方法，很多导师可以用这种类型的方式去检验，组内学员的原始数据也许会有不同的发现~~

第二步：你会拿到什么

下面是一份真跑出来的体检单片段。输入是我们构造的演示数据（29 家企业、8 个字段，按真实数据常见的问题埋了缺陷），输出原样截取：

读法就一条：每条登记都要能回指到行号，对不上的整条作废。

注意最后那张表——它是本篇最值钱的部分，下面单独讲。

边界行：AI 会如实登记"看到什么"，但它不会替你判断"所以呢"。

第三步：这张表最好用的地方，是它的最后一部分

体检单末尾那张「待你确认清单」，是一份真跑输出的原样（截取前六条）：

1. 1. 行28（AA电机）只有 7 个字段，请确认缺失的是哪一列，以及"6800""7.1"分别应对应哪个字段。
2. 2. "数字化投入"的单位是什么？行26（Y测试设备，1,250,000）是否与其它行同单位？
3. 3. "营收"的单位是什么？行27（Z液压件，520,000）是否与其它行同单位？
4. 4. "利润率"是否为百分数（%）口径？
5. 5. 行3 的"2018年"是否等同于数值 2018？
6. 6. 行业列中"制造业""制造""制造业-机械"是否为同一口径？

这张清单的价值在于：它把"我不知道"变成了"你要回答"。

平时这些事是怎么过去的？你心里想着"应该没问题吧"，然后往下走了。现在它被明确写出来，摆在你面前——十条问题，每条都指向一个你当时可能随手处理过的决定。把它们答完，你的数据才真正是你的数据。

边界行：清单里 AI 说"不知道"的，就是你必须回答的；它替你猜的，才是要警惕的。

第四步：一个真实的坏输出，别客气

上面那份体检单看起来很干净。但我们在核对它的数字时，发现了一处问题——这处正好暴露了体检单的边界在哪。

它报告："数字化投入同列其余最大值为 980（行8）"，据此算出异常值偏离 1,275 倍。

我们回原表按位置对齐重算，该列除异常值外的最大值是 6,800——不是 980。

980 是哪来的？是我们故意埋的那行错位数据（AA电机，整行少一个字段，导致后面的值全部左移，营收的值挤进了"数字化投入"这一列）。AI 在算"同列其余最大值"的时候，静默地把这行错位数据排除了——它甚至在同一份报告的第六节单独登记了这行错位，但在算倍数时又悄悄剔掉了它，全程没有声明。

差了将近七倍。它不是编造——它确实读到了 980 这个数。它是口径前后不一致：一边承认错位行存在，一边在统计时把它踢出去了，还没告诉你。

所以规矩是：体检单能查出问题，但派生数字必须回原表复算。 尤其"偏离几倍""中位数多少"这类算出来的数——因为 AI 对"哪些行算进统计"的处理，可能前后不一致。

另外两种常见坏输出，遇到了别客气：

1. 1. 它开始给建议。 "建议删除第 26 行""建议对缺失值做均值填充"——越权。规则第六条已经说了只登记不决定，出现这类句子就退回重跑。填充和删除的口径只有你清楚：这个缺失是"没采集"还是"实际为零"，含义完全不同。
2. 2. 行号对不上。 它说"行12 的营收异常"，你翻回第 12 行发现根本没有这个数——整条作废，它是编的。

边界行：抽查是质检，不是形式。随机挑两三条翻回原表，对得上这批可用，对不上整批降权重跑。

第五步：这些做完，你手里就不只是一张表了

体检单交回来，你的动作是固定的三步：抽查——随机挑两三条登记翻回原表对行号；复算——挑一两个派生数字自己算一遍，我们这次就是靠这步发现 980 和 6,800 的差异；逐条回答待确认清单——缺失是未采集还是零、重复记录是同一家还是两家同名、"制造业"和"制造"要不要合并。

这三步做完，你手里多了一份写清口径、边界和已知缺陷的数据说明。后面无论自己跑回归、交给 AI 跑，还是被审稿人问起"这个变量怎么定义的"，你都有话可说。

边界行：这些答案只存在于你的采集过程里，不在表里——AI 给不了，别人也替不了。

数据分析真正的风险从来不在算法。在你把一个自己都没看清的表交出去，然后相信了它给出的漂亮结果。

体检单能帮你看清。看清之后怎么处理，是你的判断。

如果你正在带课题组，或者自己带着学生做实证——收到数据表的时候，让 AI 先交一张体检单，比事后追着问"这个缺失值你当时怎么填的"要省事得多。数据口径这种事的麻烦之处在于：它不在表里，只在人的记忆里，而人的记忆会过期。

我把我沉淀的抽查方式和提示词放在了个人主页，感兴趣可以去看