ARTICLE · 1110759

拿到一个Excel别急着分析:先让R做这8项数据体检

发布时间：2026-10-01 20:28:19 最近访问：2026-10-01 20:28:19

拿到一份Excel数据，你第一件事会做什么？

很多人的操作是：

data <- read_excel("data.xlsx")

然后马上开始：

ggplot()lm()t.test()

或者更直接：

把Excel丢给AI：“帮我分析一下这个数据。”

我以前也经常这么干。

但做的数据项目越多，我越觉得：

拿到数据以后，最不应该急着做的事情，就是马上分析。

因为真正让后面的统计分析、机器学习不断报错的，很多时候不是模型。

而是你的原始数据。

比如：

1470行数据里有没有重复记录？
本来应该是数字的年龄，为什么变成了字符？
缺失值到底有多少？
有没有一个人的月收入是负数？
分类变量是不是出现了 "Male"、"male"、"男" 三种写法？
有没有一列从头到尾只有一个值？
有没有极端异常值？
目标变量是不是严重不平衡？

如果这些问题没有发现，后面的代码即使全部运行成功：

结果也可能不可靠。

所以我现在拿到一份陌生Excel，基本不会马上建模。

而是先做一次：

数据体检

今天把我最常检查的 8个项目 整理出来。

最后还会给大家一套：

一键数据体检R代码 + AI数据诊断Prompt

可以直接保存使用。

01 第一项：数据到底有多大？

第一步看起来最简单。

先别分析。

先问：

这份数据到底有多少行、多少列？

读取Excel：

library(tidyverse)library(readxl)data <- read_excel("data.xlsx")

然后：

dim(data)

例如得到：

[1] 1470   31

表示：

1470行31列

也可以分别查看：

nrow(data)ncol(data)

为什么这个动作很重要？

因为你首先需要建立一个最基本的数据认知。

比如原本别人告诉你：

“大概有1500份问卷。”

结果导入以后只有：

那就应该先问：

剩下的数据去哪了？

而不是马上建模。

02 第二项：字段是不是你以为的那些字段？

接下来我一定会运行：

names(data)

看看所有变量。

例如：

AgeAttritionBusinessTravelDepartmentJobRoleMonthlyIncomeOverTimePercentSalaryHike...

这一步看起来也很普通。

但它可以避免一个非常常见的问题：

字段名和你以为的不一样。

例如你以为字段叫：

PercentSalaryIncrease

真实数据却是：

PercentSalaryHike

你以为收入叫：

Salary

实际却是：

MonthlyIncome

如果直接让AI写代码，它可能根据常识“猜”字段。

于是：

select(Age, Salary, PercentSalaryIncrease)

一运行：

Error: Column `Salary` doesn't exist.

所以我现在有一个习惯：

在让AI写数据分析代码之前，先把 names(data) 给它。

还是上一篇反复强调的那句话：

不要让AI猜你的数据。

03 第三项：每一列到底是什么类型？

这是我认为非常重要的一步。

运行：

glimpse(data)

或者：

str(data)

你可能看到：

Age             <dbl>Department      <chr>MonthlyIncome   <dbl>OverTime        <chr>Attrition       <chr>

为什么一定要看？

因为Excel看起来是：

35

R读进来以后，不一定就是数值。

例如一列年龄：

354228未知39

因为混入了一个：

未知

整列就可能被识别成字符。

于是后面：

mean(data$Age)

可能直接出问题。

同样：

Attrition

如果后面准备做分类模型，通常需要认真检查它的类型和水平，而不能默认AI已经处理正确。

我一般重点检查

numeric
integer
character
factor
logical
Date

然后问：

这个变量现在的数据类型，符合它真正的业务含义吗？

这比单纯看代码有没有报错重要得多。

04 第四项：缺失值到底有多少？

接下来检查：

NA

最简单可以：

colSums(is.na(data))

如果想看缺失比例：

data %>%  summarise(    across(      everything(),      ~ mean(is.na(.)) * 100    )  )

假设得到：

变量	缺失率
Age	0%
MonthlyIncome	2.1%
JobSatisfaction	8.3%
OverTime	0%

这时候不要马上：

drop_na()

这也是AI特别容易给出的方案。

看到缺失值：

全删掉。

但真正应该问的是：

为什么缺失？

例如：

随机漏填？

还是：

某类人系统性地没有回答？

又或者：

这个变量本身不适用于某些样本？

5%的缺失和50%的缺失，处理策略也完全不同。

所以：

发现缺失值只是第一步，理解缺失值才是真正的分析。

05 第五项：有没有重复数据？

Excel数据特别容易出现一个问题：

重复记录。

比如：

重复复制；
多次导入；
问卷重复提交；
数据合并产生重复；
同一个ID出现多次。

最简单可以先看：

sum(duplicated(data))

如果结果：

说明存在23条完全重复的记录。

进一步：

data %>%  filter(duplicated(.))

如果数据有唯一ID：

data %>%  count(ID) %>%  filter(n > 1)

这时候不要看到重复就直接：

distinct()

因为：

重复记录 ≠ 一定是错误记录。

例如医院数据中，同一个患者可能有多次随访。

交易数据中，同一个客户当然可能有多笔交易。

所以真正的问题应该是：

按照业务逻辑，这条记录应该唯一吗？

06 第六项：分类变量有没有“脏类别”？

这是Excel数据里面特别常见、又特别容易忽略的问题。

比如性别这一列，看起来只有：

MaleFemale

但实际运行：

unique(data$Gender)

可能发现：

MalemaleMALEFemalefemale Male

肉眼看：

好像就两个类别。

R看来：

这是6个不同的值。

再比如：

本科本科生大学本科本科

很可能表达的是同一件事情。

所以对于分类变量，我通常会检查：

data %>%  count(Gender)

或者：

table(data$Gender, useNA = "ifany")

如果类别很多，还可以：

data %>%  count(JobRole, sort = TRUE)

重点看：

大小写是否一致；
有没有前后空格；
同一类别是否有多种写法；
有没有极少数异常类别；
有没有错误编码。

这类问题如果不处理：

后面的统计分析和机器学习都会把它们当成不同类别。

07 第七项：数值变量有没有异常值？

假设：

Age

正常应该是：

18～60

结果出现：

或者：

MonthlyIncome = -3000

是不是一定错误？

不一定。

但至少：

值得检查。

我通常先做：

summary(data)

对于重点变量：

summary(data$Age)

还可以计算分位数：

quantile(  data$MonthlyIncome,  probs = c(0, 0.01, 0.25, 0.5, 0.75, 0.99, 1),  na.rm = TRUE)

再配一张箱线图：

ggplot(data, aes(y = MonthlyIncome)) +  geom_boxplot()

但是这里同样要提醒：

异常值 ≠ 错误值。

一个月收入非常高的人，可能真的存在。

年龄250岁，则大概率需要检查。

所以AI可以帮助我们：

发现异常。

但最终仍然需要人结合业务背景判断：

这个值到底合不合理？

08 第八项：有没有“看起来正常，但根本没用”的变量？

最后一个检查，我特别建议做机器学习的人注意。

例如某个字段：

EmployeeCount

1470个人全部都是：

这个变量有没有缺失？

没有。

有没有异常？

没有。

类型对不对？

也对。

但是：

它没有任何信息量。

因为所有人的值完全一样。

可以检查：

data %>%  summarise(    across(      everything(),      ~ n_distinct(.)    )  )

如果某列：

n_distinct = 1

就是零方差变量。

另外还有一种情况：

几乎所有值都一样。

例如：

Yes = 99.5%No  = 0.5%

这类变量也值得重点检查。

在tidymodels中，后续还可以考虑：

step_zv(all_predictors())

或者根据具体任务进一步处理近零方差等问题。

为什么要检查？

因为不是所有Excel里的字段：

都应该进入模型。

数据分析不是：

列越多越好。

而是：

哪些变量真正携带了有用信息？

一张表总结：拿到Excel先做这8项体检

体检项目	R里重点检查什么？	你要回答的问题
① 数据规模	`dim()`	数据有多少行、多少列？
② 字段名称	`names()`	字段与预期一致吗？
③ 数据类型	`glimpse()`	numeric/factor/character合理吗？
④ 缺失值	`is.na()`	哪些变量缺失？缺多少？
⑤ 重复值	`duplicated()`	有没有重复记录？
⑥ 分类取值	`count()` / `unique()`	类别有没有脏数据？
⑦ 异常值	`summary()` / 箱线图	数值是否合理？
⑧ 信息量	`n_distinct()`	有没有零方差/低信息变量？

建议把这张表保存下来。

以后拿到任何Excel：

先体检，再分析。

再送大家一段一键数据体检R代码

如果想快速检查一份新数据，可以先跑下面这段：

library(tidyverse)library(readxl)# 1. 读取数据data <- read_excel("data.xlsx")# 2. 数据规模dim(data)# 3. 字段名称names(data)# 4. 数据结构glimpse(data)# 5. 基本统计summary(data)# 6. 每列缺失值数量missing_check <- tibble(  variable = names(data),  missing_n = map_int(data, ~ sum(is.na(.x))),  missing_pct = map_dbl(data, ~ mean(is.na(.x)) * 100))missing_check %>%  arrange(desc(missing_pct))# 7. 完全重复记录数量sum(duplicated(data))# 8. 每个变量的唯一值数量unique_check <- tibble(  variable = names(data),  unique_n = map_int(data, ~ n_distinct(.x, na.rm = TRUE)))unique_check %>%  arrange(unique_n)# 9. 数值变量快速统计data %>%  select(where(is.numeric)) %>%  summary()# 10. 分类变量类别数量category_check <- data %>%  select(where(~ is.character(.x) || is.factor(.x))) %>%  summarise(    across(      everything(),      ~ n_distinct(.x, na.rm = TRUE)    )  )category_check

这段代码不是为了自动替你决定：

哪些数据应该删除。

而是先帮你：

把问题暴露出来。

这是数据诊断最重要的目的。

最后再给AI一份RAI数据体检Prompt

如果你已经运行了上面的代码，可以把结果交给AI进一步辅助诊断。

不要只说：

帮我看看这个数据有没有问题。

建议这样问：

【任务背景】我正在使用R分析一份Excel数据。我的目标是：【填写研究/业务目标】后续准备进行：【描述性统计 / 回归 / 机器学习 / 可视化等】---【数据基本信息】数据规模：【粘贴dim()结果】字段名称：【粘贴names()结果】数据结构：【粘贴glimpse()结果】基本统计：【粘贴summary()结果】缺失值检查：【粘贴missing_check结果】重复值数量：【粘贴结果】变量唯一值数量：【粘贴unique_check结果】---【你的任务】请从下面8个方面检查数据：1. 数据规模是否合理；2. 字段名称是否存在潜在问题；3. 数据类型是否合理；4. 缺失值是否值得重点处理；5. 是否存在重复数据风险；6. 分类变量是否可能存在类别不一致；7. 数值变量是否存在异常值风险；8. 是否存在零方差或低信息变量。---【约束要求】1. 不要猜测我没有提供的数据；2. 不要直接删除任何数据；3. 区分“确定存在的问题”和“需要进一步检查的问题”；4. 每发现一个问题，请说明判断依据；5. 给出对应的R检查代码；6. 如果需要业务背景才能判断，请明确指出；7. 不要因为代码可以运行，就默认数据质量没有问题。---【输出结果】请输出一份“数据体检报告”，包括：1. 数据总体情况；2. 发现的问题；3. 问题严重程度；4. 建议进一步检查的内容；5. 推荐处理方式；6. 对应R代码；7. 进入正式分析前的Checklist。

这段Prompt真正解决的是：

让AI从“直接分析数据”，变成“先帮助我们理解数据”。

一个非常重要的RAI习惯：AI不要太早介入“做决定”

你可能已经发现：

整个过程中，我一直在做一件事情。

不是：

把Excel直接扔给AI，让它替我分析。

而是：

R读取真实数据↓R完成基础检查↓AI辅助发现问题↓人结合业务背景判断↓R验证和处理↓再进入正式分析

我把它概括成一句话：

R提供事实，AI提供协作，人负责判断。

这也是：

RAI = R + AI + Workflow

AI很强。

但如果输入给AI的数据本身就是乱的：

它只会更快地帮你把错误带到后面的分析里。

所以：

Garbage In，Garbage Out。

到了AI时代，这句话依然没有过时。

写在最后：数据分析真正的第一步，不是分析

很多初学者特别着急：

我什么时候可以做统计检验？

我什么时候可以画图？

我什么时候可以做机器学习？

但我越来越觉得：

数据分析真正的第一步，是认识你的数据。

知道：

它有多少数据；
有哪些变量；
每个变量代表什么；
哪些数据缺失；
哪些记录重复；
哪些类别混乱；
哪些数值异常；
哪些字段根本没有信息。

把这些问题搞清楚以后：

后面的统计分析和机器学习，才真正有意义。

所以以后再拿到一份Excel：

先别急着分析。

先花几分钟：

给数据做一次体检。

如果你想系统跑通AI+R数据分析

这篇文章解决的是：

拿到数据以后，第一步应该做什么。

但一个完整的数据项目，还包括：

问题定义↓数据导入↓数据诊断↓数据清洗↓探索分析↓数据可视化↓统计分析↓结果解释↓Quarto报告

这也是我在 R语言AI编程营 里带大家实践的一条完整路径。

不是单独学几个函数。

而是：

借助AI，把一个真实的数据项目从头到尾做出来。

如果你希望系统学习，可以加我微信，备注：

RAI

如果你已经有R基础，希望进一步进入：

recipe → 多模型 → 交叉验证 → 模型评价 → 调参 → 完整机器学习项目

则可以了解：

RAI机器学习营

加微信备注：

机器学习

我的微信，扫码添加。

作者：RAI王博士

专注 R语言 × AI × 数据分析 × 机器学习工作流

RAI = R + AI + Workflow

让AI真正进入数据分析与科研工作流。

#R语言#AI编程#数据分析#数据清洗#Excel#tidyverse#tidymodels#R语言AI编程#RAI工作流