如何用SPSS和Clementine处理缺失值，离群值，极ŀ
高质量数据是数据分析的前提和分析结论可靠性的保障。尽管在获取数据源时数据分析师格外谨慎，耗费大量的时间，但数据质量仍然需持续关注。不管是一手还是二手数据源，总是会存在一些质量问题。同时，为了满足数据分析、挖掘的实际需要，对噪声数据如何处理，是丢弃还是补充，或者重新计算新的数据变量，这些不是随意决定的，这就是数据预处理的一个过程，是在数据分析、挖掘开始前对数据源的审核和判断，是数据分析必不可少的一项。本文暂只简单讨论一下缺失值、异常值的处理。
二、如何发现数据质量问题，例如，如何发现缺失值？
1、 SPSS 是如何做到的？ （1）系统缺失值、空白值 每一个变量均有可能出现系统缺失或者空白，当数据量巨大时我们根本无法用眼睛看出是否有缺失，最明智的做法是把这项任务交给数据分析工具，比如Excel，可通过数据有效性、筛选、查找、计数等功能去实现，如果是SPSS数据源，可以通过描述统计之“频率”项来实现。
上图，五个变量中，家庭人均收入有效样本94，有6个无效样本，在spss数据区域显示为空白值。其他变量均没有缺失，对于这6个缺失值是留是踢需要谨慎。
（2）变量取值分布 这一项不容忽视，一般由于输入错误、数据本身或者其他原因造成。这里分分类变量和数值变量进行检查。 分类变量取值分布检查：
描述统计之“频率”项，可以对变量以及变量取值进行频次统计汇总，因此，此处仍然采用“频率”项。
上图，我们已经确认是否献血样本全部有效，但是不代表这个变量没有其他噪声。通过此变量取值分布的考察，我们可以发现是否献血有4个水平，分别为“0”“1”“No”“Yes”，但实际上，该变量的取值至于两个水平，“No”“Yes”，其余两个取值是错误操作导致的，这是系统缺失值，可以通过重新赋值进行处理。
数值变量取值分布检查：
数值变量取值分布不宜采用“频次”的统计，一般可通过直方图、含有正态检验的直方图来实现。
上图，数值变量的直方图，可以清楚的看到其分布情况。可以初步判断存在异常值。
（3）离群值、极值
在SPSS中可以通过“箱图”直观的看到异常值，探索分析项或者箱图功能可实现。
上图，为spss探索分析结果，还可以设置分组变量。可以直观的发现，家庭人均收入存在极值，编号为66，可以快速查找定位。
