核心结论
清洗数据不是把不顺眼的数字删掉，也不是想办法让每个格子都有值。它要做的是：确认每一行究竟是谁，检查字段有没有按事先的规则产生，发现错误时回到证据修改，并把仍然不确定的地方保留下来。
描述分析也不只是算一个平均数。研究者要先交代样本怎样组成、数据质量怎样、数值集中在哪里、散得有多开，再把主要比例与不确定区间一起报告。只有先看清数据实际发生了什么，后面的模型才知道自己在解释什么。
本篇开始使用 1,200 行模拟数据。为了让任何人重新运行生成程序时都得到同一批数，程序预先固定了随机生成的起始编号，技术上常把这个编号叫随机种子。所有店铺、早餐和结果都只用于科研方法教学，不代表现实中式早餐，也不能据此给出饮食建议。
打开文件以后，先数行、数店、数空白
第一步不是点击“描述统计”，而是核对数据结构。冻结后的模拟库有 1,200 个不重复的早餐编号 combo_id，对应 240 个店铺编号 shop_id，每家店正好 5 行。六个城市各 200 行。四类店铺分别为早餐摊点 300 行、独立门店 420 行、连锁门店 270 行和食堂窗口 210 行，与抽样方案中的 10/14/9/7 家每城相符。
这一轮检查回答的是“文件是不是我们原本准备分析的那一份”。如果某家店只有 4 行，可能是漏同步，也可能是第 5 份后来被判定不合格；若一个 combo_id 出现两次，可能是重复提交。不能看到总行数恰好 1,200 就默认内部结构正确，因为漏一行再重复另一行，总数依然对得上。
关键身份、店铺和营养字段在这套模拟数据中没有普通缺失。不过，90 份早餐的份量没有现场实测，占 7.5%；148 份配方使用了参照估算，占 12.3%。它们并非“坏数据”，但测量来源与其他记录不同，后面需要排除这些记录再算一次，看看主要结果会不会明显改变。
120 份早餐进入参照测量子样本，其余 1,080 份在“参照蛋白质”列 reference_protein_g 和“参照钠”列 reference_sodium_mg 本来就不应有值。这 1,080 个空白不能拿来计算“参照值缺失率 90%”。先判断为什么空，再决定怎样统计，正是数据字典存在的意义。
STROBE要求观察性研究交代研究对象、变量、缺失和分析样本。把这些信息留到论文阶段临时回忆通常太晚；结构核对表就是将来样本流程和缺失说明的底稿。
清洗时，我们真的发现了 25 行算不回去
首次审计模拟库时，程序用公开的数据表文件（CSV）里的能量、蛋白质、纤维、钠和食物类别重新计算评分，发现 25 行与总分列 nutrition_score 不一致。没有哪一行差得离谱，多数只是处在计分边界附近。
追查生成过程后，原因很清楚：旧版生成器先用未四舍五入的内部数值计分，再把营养值保留一位小数写进 CSV。比如内部蛋白质可能是 17.96 克，按旧顺序得到 1 分，公开表里却显示 18.0 克，读者按冻结规则会得到 2 分。总分看起来合法，却无法由已发布的数据重建。
正确修复不是手动把 25 个总分改到一致。我们修改生成顺序，先把将要公开的营养值固定到规定精度，再用这些值运行同一评分函数，随后重新生成全库和全部汇总。修订后 1,200 行评分错配为 0，旧问题和修改理由保留在版本记录中。
这个错误很小，却会影响阈值两侧的数量。若总分从 5 变 6，“是否低于 6 分”这一列 imbalanced_lt6 就会从“是”变成“否”。这说明“公式算出的总分落在 0—10”只通过了范围检查，没通过来源检查。清洗最有价值的部分，往往不是删掉几个极端值，而是找到一条计算链为何不能重放。
极端值也接受了不同的检查。模拟库中最高钠为 1,862.2 mg，最高能量为 841.5 kcal。它们高于样本大多数记录，却仍在生成规则允许的范围内，身份和单位没有矛盾，因此保留。若因为“看起来不像正常早餐”就删掉，研究者会在没有现场证据的情况下主动缩窄分布。
中位数告诉你站在哪里，四分位数告诉你周围有多宽
早餐的营养值并不保证左右对称，少数很高的组合会拉动平均数。因此先用中位数描述典型位置，再用第 25 到第 75 百分位之间的四分位范围描述中间一半数据。
| 变量 | 中位数 | 第 25—75 百分位 |
|---|---|---|
| 能量 | 532.8 kcal | 463.9—604.8 |
| 碳水化合物 | 70.2 g | 58.7—81.1 |
| 蛋白质 | 15.9 g | 11.4—20.3 |
| 脂肪 | 16.6 g | 11.2—22.6 |
| 膳食纤维 | 3.5 g | 2.2—5.0 |
| 钠 | 725.6 mg | 513.1—951.4 |
| 食物类别数 | 4 类 | 3—5 |
| 价格 | 10.2 元 | 8.6—11.9 |
以蛋白质为例，一半早餐落在 11.4 到 20.3 克之间，中位位置是 15.9 克。这不是说每份早餐都接近 15.9，也不是说区间外的四分之一加四分之一有错。最小值 3.0 克、最大值 36.7 克仍属于分布的一部分，图形和范围检查可以帮助判断尾部是否由录入错误、真实差异或生成机制产生。
表格之外还要看图。直方图能显示数值是否集中在一个主要峰附近、是否有一侧拖得特别长，或者可能混着几种模式；箱线图方便比较城市或店铺层，同时把远离中间区域的记录标出来。图上的孤立点只是“请回去核对”的线索，不是“应当删除”的命令。若核对后值真实，它反而可能提示某一类组合与大多数早餐不同。
四分位范围也不是置信区间。它描述样本中间一半记录实际散在哪里；置信区间描述研究者对总体参数估计有多不确定。两个区间都可能写成“下限—上限”，回答的问题完全不同。
WHO 的基础统计与研究方法资料把测量、描述问题大小和比较放在连续的方法路线中。实际选择均值、中位数或比例，要看变量类型和分布，而不是让每张表都固定输出同一套统计量。
55.8% 不是一个没有误差的事实
按冻结的主要定义，总分低于 6 的早餐有 669 份。计算为 669 ÷ 1,200 = 55.8%。总分本身的均值为 5.20，中位数为 5；从 0 到 10 分都有记录，最多的是 5 分，共 204 份，其次是 4 分 196 份和 6 分 179 份。
若暂时把 1,200 份早餐当成彼此互不相关，用常见的比例区间算法得到的 95% 估计范围是 52.9%—58.5%。但每家店贡献 5 份，同店菜单和制作方式会让记录更相似。把同一家店的早餐看作一组，重新计算后，区间变成 52.6%—58.9%，稍微更宽。后文把这种做法简称为按店铺聚类调整。
数据估计的店内相关系数为 0.067。这个数用来表示同店早餐比不同店早餐多出多少相似性，数值越大，五份同店早餐包含的重复信息越多。它高于第 6 篇样本量计划使用的 0.02。计划参数没有被数据“证明正确”；它只是开工前的假设。实际同店相似更强，独立信息比原计划略少，区间自然要诚实变宽。不能因为原本承诺 ±3 个百分点，就继续选择更窄的简单区间。
在这套模拟数据、六座城市所占比重相同的教学样本和低于 6 分的主要定义下，区间下限仍高于 50%，因此“低分早餐超过半数”这项主要假设得到支持。这个结论的限定条件必须和结果一起出现。它不是“中国多数早餐营养失衡”的现实证据。
分组描述也显示数据并非完全均一。六城的低分比例从海川 47.0% 到北宁 63.5%；四类店铺从食堂窗口 44.3%、连锁门店 45.2%，到独立门店 59.0%、早餐摊点 68.7%。这些比例只是各组直接算出的结果，还没有同时考虑城市与店铺构成的差别。本篇只把差异摆出来，不宣布某类店铺“造成”低分，也不逐组计算所谓“显著不显著”，再从中挑最好看的比较。
| 店铺类型 | 早餐数 | 总分中位数 | 低于 6 分 |
|---|---|---|---|
| 早餐摊点 | 300 | 4.5 | 68.7% |
| 独立门店 | 420 | 5.0 | 59.0% |
| 连锁门店 | 270 | 6.0 | 45.2% |
| 食堂窗口 | 210 | 6.0 | 44.3% |
这张表至少提出两个后续问题：差异有多少来自各类店铺出售的食物组成，城市构成是否又混在里面；同一家店的五份早餐会不会把表面差异放大。描述表不负责一次回答完，但它让第 9 篇的模型有了明确任务，而不是把所有字段一股脑塞进去寻找显著结果。
合格线移动一分，故事会换一个版本
主要阈值低于 6 分时，低分比例为 55.8%。改成低于 5 分，比例降到 38.8%；改成低于 7 分，又升到 70.7%。三个数字都由同一套早餐和总分产生，差异完全来自分界线。
这种更换一个合理规则、观察结论变化多大的检查，叫敏感性分析。主结果仍按事先冻结的 6 分线回答主要假设，不能看完三组数字后改选最有传播力的 70.7%。另外两个比例告诉读者：关于“是否普遍”的判断高度依赖教学阈值，0—10 分和各营养维度不能被一条合格线取代。
清洗与描述分析结束时，我们得到的不是一张毫无问题的完美数据表，而是一张知道问题在哪里的表：90 份未实测、148 份配方估算、实际店内相关高于计划、总体比例对阈值敏感，同时关键结构和派生计算能够复核。这比一张看上去没有空白、却不知道数字从哪里来的表可靠得多。
下一篇会在这些条件上继续。先按营养特征探索早餐模式，再用能够同时考虑食物标记、价格、城市和店铺类型的统计模型检查三条关联预期。之后轮流拿掉一座城市，看看用其余五城得到的模型能否预测被拿掉的城市，并更换阈值和数据质量条件检查结果是否稳定。模型必须解释这张已经看清的表，不能把这些质量与设计问题重新藏起来。