数据处理的一般原则与方法
数据处理的基本方法
第六节数据处理的基本方法前面我们已经讨论了测量与误差的基本概念,测量结果的最佳值、误差和不确定度的计算.然而，我们进行实验的最终目的是为了通过数据的获得和处理,从中揭示出有关物理量的关系，或找出事物的内在规律性,或验证某种理论的正确性,或为以后的实验准备依据.因而，需要对所获得的数据进行正确的处理，数据处理贯穿于从获得原始数据到得出结论的整个实验过程。
包括数据记录、整理、计算、作图、分析等方面涉及数据运算的处理方法。
常用的数据处理方法有:列表法、图示法、图解法、逐差法和最小二乘线性拟合法等，下面分别予以简单讨论.一、列表法列表法是将实验所获得的数据用表格的形式进行排列的数据处理方法。
列表法的作用有两种：一是记录实验数据，二是能显示出物理量间的对应关系.其优点是,能对大量的杂乱无章的数据进行归纳整理，使之既有条不紊，又简明醒目；既有助于表现物理量之间的关系，又便于及时地检查和发现实验数据是否合理，减少或避免测量错误；同时，也为作图法等处理数据奠定了基础.用列表的方法记录和处理数据是一种良好的科学工作习惯，要设计出一个栏目清楚、行列分明的表格，也需要在实验中不断训练，逐步掌握、熟练，并形成习惯。
一般来讲，在用列表法处理数据时，应遵从如下原则：（1)栏目条理清楚,简单明了,便于显示有关物理量的关系。
（2)在栏目中，应给出有关物理量的符号，并标明单位（一般不重复写在每个数据的后面）.（3)填入表中的数字应是有效数字。
(4）必要时需要加以注释说明。
例如，用螺旋测微计测量钢球直径的实验数据列表处理如下。
用螺旋测微计测量钢球直径的数据记录表∆mm=.0±004从表中，可计算出nD D i∑=6799.5=（mm ） 取799.5≈D mm,D D i i -=ν.不确度的A 分量为（运算中D 保留两位存疑数字) ()12-=∑n S iD ν1100.0≈（mm) B 分量为（按均匀分布) 3∆=D U2300.0≈(mm ）则 2600.022≈+=D D U S σ（mm)取 300.0=σ（mm)测量结果为003.0997.5±=D （mm ）。
数据预处理的方法有什么？
数据预处理的⽅法有什么？1.数据清理缺失值的处理删除变量：若变量的缺失率较⾼（⼤于80%），覆盖率较低，且重要性较低，可以直接将变量删除。
定值填充：⼯程中常见⽤-9999进⾏替代统计量填充：若缺失率较低（⼩于95%）且重要性较低，则根据数据分布的情况进⾏填充。
对于数据符合均匀分布，⽤该变量的均值填补缺失，对于数据存在倾斜分布的情况，采⽤中位数进⾏填补。
插值法填充：包括随机插值，多重差补法，热平台插补，拉格朗⽇插值，⽜顿插值等模型填充：使⽤回归、贝叶斯、随机森林、决策树等模型对缺失数据进⾏预测。
哑变量填充：若变量是离散型，且不同值较少，可转换成哑变量，例如性别SEX变量，存在male,fameal,NA三个不同的值，可将该列转换成IS_SEX_MALE, IS_SEX_FEMALE, IS_SEX_NA。
若某个变量存在⼗⼏个不同的值，可根据每个值的频数，将频数较⼩的值归为⼀类'other'，降低维度。
此做法可最⼤化保留变量的信息。
离群点处理处理⽅法简单统计分析：根据箱线图、各分位点判断是否存在异常，例如pandas的describe函数可以快速发现异常值。
3 原则：若数据存在正态分布，偏离均值的3 之外. 通常定义范围内的点为离群点。
基于绝对离差中位数（MAD）：这是⼀种稳健对抗离群数据的距离值⽅法，采⽤计算各观测值与平均值的距离总和的⽅法。
放⼤了离群值的影响。
基于距离：通过定义对象之间的临近性度量，根据距离判断异常对象是否远离其他对象，缺点是计算复杂度较⾼，不适⽤于⼤数据集和存在不同密度区域的数据集基于密度：离群点的局部密度显著低于⼤部分近邻点，适⽤于⾮均匀的数据集基于聚类：利⽤聚类算法，丢弃远离其他簇的⼩簇。
具体处理⼿段根据异常点的数量和影响，考虑是否将该条记录删除，信息损失多若对数据做了log-scale 对数变换后消除了异常值，则此⽅法⽣效，且不损失信息平均值或中位数替代异常点，简单⾼效，信息的损失较少在训练树模型时，树模型对离群点的鲁棒性较⾼，⽆信息损失，不影响模型训练效果噪声处理噪声是变量的随机误差和⽅差，是观测点和真实点之间的误差，即。
数据处理设计原则
数据处理设计原则
数据处理设计原则是在进行数据处理和分析时应遵循的一些基本原则。
以下是一些常见的数据处理设计原则：
1. 数据完整性：确保数据的完整性是数据处理的首要原则。
这意味着要确保所有必需的数据都被正确地收集和存储，并且没有丢失或损坏。
2. 数据精确性：确保数据的准确性是另一个重要原则。
这意味着要确保数据被正确地输入、处理和验证，以避免错误的数据对后续分析和决策产生误导。
3. 数据一致性：数据一致性是指在不同的数据源和数据处理过程中，数据的定义和格式保持一致。
这可以通过使用标准化的数据模型、定义数据字典和采用一致的数据处理规范来实现。
4. 数据安全性：数据安全性是确保数据不受未经授权的访问、修改或破坏的原则。
这可以通过实施适当的访问控制、加密和备份策略来实现。
5. 数据可追溯性：数据可追溯性是指能够跟踪和审计数据的来源、变更和使用情况。
这可以通过记录数据的元数据、实施数据审计和日志记录来实现。
6. 数据可扩展性：数据可扩展性是指能够有效地处理和分析大规模数据的能力。
这可以通过使用合适的数据存储和处理技术、优化数据查询和计算性能来实现。
7. 数据合规性：数据合规性是指遵守法律、法规和行业标
准对数据进行处理和保护的要求。
这包括保护个人隐私、保密商业机密和符合数据保护法规等。
8. 数据可用性：数据可用性是指确保数据能够及时、可靠地被用户访问和使用的原则。
这可以通过提供高可用性的数据存储和处理系统、设计直观的数据访问界面来实现。
这些数据处理设计原则可以帮助组织建立可靠、安全和高效的数据处理流程，从而支持数据驱动的决策和业务需求。
一般试验设计和数据处理原则
-般试验设计和数据处理原则1 •试验的实施正式试验开始之前，可在少数志愿者中进行预试验，用以验证分析方法、评估变异程度、优化采样时间，以及获得其他相关信息。
预试验的数据不能纳入最终统计分析。
（1）空腹试验：试验前夜至少空腹10小时。
一般情况下，在空腹状态下用240mL水送服受试制剂和参比制剂。
口腔崩解片等特殊剂型应参考说明书规定服药。
（2）餐后试验：试验前夜至少空腹10小时。
受试者试验当日给药前30分钟时开始进食标准餐，并在30分钟内用餐完毕，在开始进餐后30分钟时准时服用试验药，用240mL水送服。
（3）服药前1小时至服药后1小时内禁止饮水，其他时间可自由饮水。
服药后4小时内禁食。
每个试验周期受试者应在相同的预定时间点用标准餐。
（4）通常最高规格的制剂可以一个单位（单片或单粒）服用，如生物样品分析方法灵敏度不足，则可在安全性允许的条件下，在说明书单次服药剂量范围内同时服用多片/粒最高规格制剂。
（5）试验给药之间应有足够长的清洗期（一般为待测物7倍半衰期以上）。
（6）应说明受试制剂和参比制剂的批号、参比制剂的有效期等信息。
建议受试制剂与参比制剂药物含量的差值小于5%。
试验机构应对试验制剂及参比制剂按相关要求留样。
试验药物应留样保存至药品获准上市后2年。
2.餐后生物等效性研究标准餐的组成建议采用对胃肠道生理功能和药物生物利用度影响大的餐饮进行餐后生物等效性研究，如高脂（提供食物中约50% 的热量）高热（约800—1000干卡）饮食。
其中蛋白质约提供150千卡热量，碳水化合物约提供250千卡热量，脂肪约提供500-600千卡热量。
报告中应提供试验标准餐的热量组成说明。
3 •样品采集通常建议采集血液样品。
多数情况下检测血浆或血清中的药物或其代谢产物浓度。
有时分析全血样品。
建议恰当地设定样品采集时间，使其包含吸收、分布、消除相。
一般建议每位受试者每个试验周期采集12-18个样品，其中包括给药前的样品。
采样时间不短于3个末端消除半衰期。
数据处理的基本方法
数据处理的基本方法由实验测得的数据，必须经过科学的分析和处理，才能提示出各物理量之间的关系。
我们把从获得原始数据起到结论为止的加工过程称为数据处理。
物理实验中常用的数据处理方法有列表法、作图法、逐差法和最小二乘法等。
1、列表法列表法是记录和处理实验数据的基本方法，也是其它实验数据处理方法的基础。
将实验数据列成适当的表格，可以清楚地反映出有关物理量之间的一一对应关系，既有助于及时发现和检查实验中存在的问题，判断测量结果的合理性；又有助于分析实验结果，找出有关物理量之间存在的规律性。
一个好的数据表可以提高数据处理的效率，减少或避免错误，所以一定要养成列表记录和处理数据的习惯。
第一页前一个下一页最后一页检索文本2、作图法利用实验数据，将实验中物理量之间的函数关系用几何图线表示出来，这种方法称为作图法。
作图法是一种被广泛用来处理实验数据的方法，它不仅能简明、直观、形象地显示物理量之间的关系，而且有助于我人研究物理量之间的变化规律，找出定量的函数关系或得到所求的参量。
同时，所作的图线对测量数据起到取平均的作用，从而减小随机误差的影响。
此外，还可以作出仪器的校正曲线，帮助发现实验中的某些测量错误等。
因此，作图法不仅是一个数据处理方法，而且是实验方法中不可分割的部分。
第一页前一个下一页最后一页检索文本第一页前一个下一页最后一页检索文本共 32 张，第 31 张3、逐差法逐差法是物理实验中处理数据常用的一种方法。
凡是自变量作等量变化，而引起应变量也作等量变化时，便可采用逐差法求出应变量的平均变化值。
逐差法计算简便，特别是在检查数据时，可随测随检，及时发现差错和数据规律。
更重要的是可充分地利用已测到的所有数据，并具有对数据取平均的效果。
还可绕过一些具有定值的求知量，而求出所需要的实验结果，可减小系统误差和扩大测量范围。
4、最小二乘法把实验的结果画成图表固然可以表示出物理规律，但是图表的表示往往不如用函数表示来得明确和方便，所以我们希望从实验的数据求经验方程，也称为方程的回归问题，变量之间的相关函数关系称为回归方程。
流行病学数据处理的一般步骤与原则
流行病学数据处理的一般步骤与原则
流行病学数据处理的一般步骤与原则如下：
1. 数据收集：收集与研究目标相关的数据，包括人口统计数据、疾病发病率和死亡率数据等。
2. 数据清洗：对收集到的数据进行清洗，包括删除重复数据、处理缺失数据、修正错误数据等。
3. 数据整理：将清洗后的数据按照一定的格式整理，使其适合进行进一步的分析和统计。
4. 数据分析：根据研究目标，选择合适的统计方法和模型进行数据分析，如计算发病率、死亡率、相对风险、临界比等。
5. 数据解释：根据数据分析的结果，解释疾病的流行特点、影响因素等，并提出合理的结论和建议。
在处理流行病学数据时，还需要遵循一些原则：
1. 数据质量：确保数据的准确性和完整性，避免无效或错误的数据对分析结果产生影响。
2. 保护个人隐私：在处理数据时，要遵守相关法律法规，保护个人隐私。
3. 方法选择：选择合适的统计方法和模型，确保分析结果具有可靠
性和有效性。
4. 结果解释：对分析结果进行合理解释，避免过度解读或错误解读。
5. 结果公正性：在数据分析和解释过程中，要保持客观公正的态度，避免个人主观偏见对结果产生影响。
6. 结果应用：将数据分析的结果应用于实际工作中，为公共卫生决策和干预措施提供科学依据。
数据处理的技巧和方法
数据处理的技巧和方法数据处理是指将原始数据转化为有意义且可用于分析和决策的有效信息的过程。
数据处理技巧和方法可以帮助我们更好地理解数据、揭示潜在的模式和趋势，并做出有针对性的商业决策。
以下是一些常用的数据处理技巧和方法。
1. 数据清洗: 数据清洗是数据处理的首要步骤。
在这个阶段，我们需要识别和处理数据的错误、缺失、重复或不一致之处。
常用的清洗方法包括删除重复数据、填补缺失数据和纠正错误数据。
2. 数据转换: 数据转换是指将原始数据转化为更适合分析的形式。
常用的数据转换方法包括数据的重编码、归一化、标准化和聚合。
通过数据转换，我们可以降低数据的复杂性、提高分析的效果。
3. 数据整合: 数据整合是指将来自不同来源或不同格式的数据整合为一致的格式。
常用的数据整合方法包括合并、连接和追加。
通过数据整合，我们可以综合不同数据源的信息，获得更全面和准确的数据结果。
4. 数据选择: 数据选择是指从大量数据中选择出符合特定条件或感兴趣的数据子集。
常用的数据选择方法包括条件选择、随机选择和抽样选择。
通过数据选择，我们可以聚焦于感兴趣的数据，并减少对不相关数据的处理和分析。
5. 数据变换: 数据变换是指对原始数据进行一系列数学和统计操作，以便处理数据异常值或调整数据分布。
常用的数据变换方法包括平滑处理、离群点检测和数据分箱。
通过数据变换，我们可以更好地揭示数据的模式和趋势。
6. 数据聚合: 数据聚合是指将大量的详细数据转化为更高层次的总结信息。
常用的数据聚合方法包括求和、平均、计数和分组。
通过数据聚合，我们可以更好地理解数据的特征和结构，并减少数据处理和分析的复杂度。
7. 数据可视化: 数据可视化是指将数据转化为可视化图表或图形，以便更直观地理解数据和传达数据结果。
常用的数据可视化方法包括折线图、柱状图、散点图和热力图。
通过数据可视化，我们可以更清晰地发现数据中的模式和关系。
8. 数据分析: 数据分析是指通过统计和机器学习等方法对数据进行深入挖掘和分析，以提取隐藏在数据中的信息和知识。
数据处理最基本的三种方法
数据处理最基本的三种方法随着信息技术的不断发展，数据处理已经成为各个领域中不可或缺的一部分。
在大数据时代，数据处理的重要性更是不言而喻。
但是，数据处理并不是一件简单的事情，需要有一定的技能和方法。
本文将介绍数据处理最基本的三种方法，希望对读者有所帮助。
一、数据清洗数据清洗是指对原始数据进行筛选、过滤和修正，以使其符合分析的要求。
原始数据中可能存在着错误、缺失、重复、异常值等问题，这些问题都会影响数据的质量和分析的结果。
因此，数据清洗是数据分析的第一步，也是最关键的一步。
数据清洗的具体方法包括以下几个方面：1. 删除重复数据：如果数据集中存在重复数据，需要将其删除，以避免对分析结果造成影响。
2. 填充缺失值：如果数据集中存在缺失值，需要进行填充，以保证数据的完整性和准确性。
填充方法可以是均值填充、中位数填充、众数填充等。
3. 剔除异常值：如果数据集中存在异常值，需要将其剔除，以避免对分析结果造成干扰。
4. 校验数据格式：数据的格式应该符合要求，比如日期格式、数字格式等。
如果格式不符合要求，需要进行调整。
5. 标准化数据：如果数据集中存在单位不一致的情况，需要将其标准化，以便于分析和比较。
二、数据转换数据转换是指将原始数据转换为适合分析的形式。
原始数据可能存在着不同的形式和结构，需要进行转换，以便于进行分析。
数据转换的具体方法包括以下几个方面：1. 数据类型转换：将数据的类型进行转换，比如将字符串类型转换为数字类型、将日期类型转换为时间戳类型等。
2. 数据结构转换：将数据的结构进行转换，比如将宽表转换为长表、将多维数组转换为一维数组等。
3. 数据合并：将多个数据集合并为一个数据集，以便于进行分析。
4. 数据拆分：将一个数据集拆分为多个数据集，以便于进行分析。
5. 数据透视表：将数据进行透视，以便于进行数据分析和比较。
三、数据分析数据分析是指对数据进行统计、分析和建模，以挖掘数据中的信息和规律。
数据分析是数据处理的最终目的，也是数据处理中最具有价值的一部分。
物理实验数据处理的基本方法
1引言物理学的理论是通过观察、实验、抽象、假说等研究方法，并通过实验建立起来的。
所以，物理学从根本上讲是一门实验科学，科学实验在物理学的形成和发展中处于主导地位。
在物理学的发展中，人类积累了丰富的实验方法，创造出各种精密的仪器设备，促进了物理实验技术的提高。
物理实验中的研究方法、观察与分析手段、各种常规和精密的仪器设备在现代科学和工程实践中均具有极大的普遍性、综合性、多样性和广延性，促进了物理学的发展、自然科学的变革、以及工业技术的革命。
物理实验是人为地创造出一种条件，按照预定计划，以确定顺序重现一系列物理过程或物理现象，其目的不仅要让学生受到严格的、系统的物理实验技能训练，掌握物理科学实验的基本知识、方法和技术，更重要的是要培养学生严谨的科学思维能力和创新精神，培养学生理论联系实际、分析和解决问题的能力。
科学实验的目的是为了找出事物的内在规律，或检验某种理论的正确性，或准备作为以后实践工作的依据。
在物理实验中，我们要对一些物理量进行测量，得到与之相关的数据，而对实验数据进行记录、整理、计算、作图和分析，去粗取精，去伪存真，得到最终结论和实验规律的过程称为数据处理。
数据处理是否科学，决定科学结论能否建立与推广，它是物理实验教学中培养学生实验能力和素质的重要环节。
数据处理的中心内容是估算待测量的最佳值，估算测量结果的不确定度或寻求多个待测量间的函数关系。
不会处理数据或数据处理方法不当，就得不到正确的实验结果。
由此可知，数据处理在整个实验过程中有着举足轻重的地位。
在物理实验中常用的数据处理方法有列表法、作图法、图解法、逐差法和最小二乘法（直线拟合）等，下面就各方法的内容作详细的介绍。
2列表法2.1列表法的基本概述列表法就是将实验中测量的数据、计算过程数据和最终结果等以一定的形式和顺序列成表格。
列表法是记录和处理数据的基本方法，也是其他数据处理方法的基础，一个好的数据处理表格，往往就是一份简明的实验报告。
数据保护规定
数据保护规定数据保护是现代社会中一个重要的议题，在数字化时代，随着个人数据的广泛收集和使用，保护数据安全和隐私变得尤为关键。
为了确保数据的安全和合法使用，许多国家和地区都制定了各种不同的数据保护规定。
本文将重点介绍数据保护规定的一般原则、核心内容以及对其的合规与保障。
一、数据保护规定的一般原则数据保护规定的一般原则主要包括以下几个方面：合法性、公正性与透明性、目的限制、数据最小化、准确性、存储限制、机密性与安全性、责任和问责制。
合法性是指个人数据的处理必须依据法律的规定，并且取得个人的明确同意。
公正性与透明性要求数据处理者在处理个人数据时必须确保公平性，并向数据主体提供充分的信息。
目的限制原则要求个人数据的处理必须明确、合法，并且只能用于特定明确的目的。
数据最小化原则指个人数据的处理应限制在必要范围内，不得无故收集过多的个人数据。
数据准确性原则要求处理者必须采取措施确保个人数据的准确性和适时更新。
存储限制原则要求个人数据只能在必要的时间内保存，并且要遵守法律的规定。
机密性与安全性原则指个人数据的处理应具备安全性，采取合理的技术和组织措施防止未经授权的访问和使用。
责任和问责制原则要求数据处理者对个人数据的处理负有法律责任，并应建立相应的问责机制。
二、数据保护规定的核心内容数据保护规定的核心内容主要包括个人数据的处理、数据主体的权利以及数据处理者的义务等方面。
个人数据的处理必须符合法律规定，并且通常需要征得数据主体的明确同意。
处理个人数据时，数据处理者应采取措施确保数据的安全性，防止数据的泄露、滥用或被未经授权的访问。
数据处理者还需要尊重数据主体的权利，比如提供访问、更正和删除个人数据的权利。
数据保护规定还涉及到跨境数据传输的问题，即个人数据的传输涉及到国家或地区边界时的处理方式。
在跨境数据传输中，数据处理者必须遵守适用的数据保护法律，并采取合适的安全措施确保跨境数据传输的安全性。
三、数据保护规定的合规与保障为了确保数据的安全和合法使用，数据处理者需要积极履行自己的法律义务，合规地处理个人数据。
数据处理原则和处理方法
数据处理原则和处理方法
数据处理原则包括准确性、及时性、一致性和完整性。
在处理数据时，应遵循以下步骤：
1. 数据清洗：删除重复数据，处理缺失值，错误值和异常值。
2. 数据转换：将数据从一种格式或结构转换为另一种格式或结构。
3. 数据分类：将数据分成不同的类别或等级。
4. 数据压缩：减少数据的规模，以减小存储空间和提高处理效率。
5. 数据可视化：将数据以图表、图像等形式展示出来，以便更好地理解和分析数据。
在处理数据时，还需要注意以下问题：
1. 保护隐私：在处理个人数据时，应严格遵守隐私保护法律法规，确保个人隐私不被泄露。
2. 确保数据质量：在数据清洗和处理过程中，应尽可能保留有用和准确的数据，删除无用或错误的数据。
3. 合理使用资源：在处理数据时，应合理利用计算机资源和网络带宽，避免浪费和过度使用。
4. 注意安全性：在数据传输和存储过程中，应采取必要的安全措施，防止数据被窃取或篡改。
总之，数据处理是一项技术性很强的工作，需要遵循一定的原则和步骤，同时需要注意保护隐私、确保数据质量、合理使用资源和保证安全性等问题。
数据收集与管理的基本原则与操作技巧
02
数据仓库将分散在各个业务系 统的数据进行整合、清洗和转 换，以多维度的形式存储数据 ，并提供查询和分析工具。
03
数据仓库适用于需要跨多个业 务系统进行综合分析的场景， 如企业级报表和决策支持系统 。
云存储
1
云存储（Cloud Storage）是一种通过网络将数 据存储在远程服务器上的方式，通常由第三方提 供商管理。
数据收集与管理的基 本原则与操作技巧
汇报人：
2023-12-27
目录
• 数据收集的基本原则 • 数据管理的基本原则 • 数据收集的方法与技巧 • 数据处理的常用工具与技术 • 数据存储的常用方式与技巧 • 数据应用的原则与技巧
01
数据收集的基本原则
准确性原则
总结词
确保数据的真实性和正确Байду номын сангаас是数据收集的首要原则。
非关系型数据库
01
非关系型数据库（NoSQL）采用键值对、文档、列
族或图形等形式来存储数据，无需固定的数据结构。
02
非关系型数据库的优势在于灵活性、可扩展性和高性
能，适用于大数据量和高并发的应用场景。
03
常见的非关系型数据库包括MongoDB、Cassandra
、Redis等。
数据仓库
01
数据仓库（Data Warehouse ）是一个大型、集中式的存储 和管理数据的系统，用于支持 决策分析和报告。
VS
详细描述
数据可视化能够将复杂的数据以易于理解 的方式呈现，帮助用户更好地理解数据、 发现数据中的规律和趋势，以及进行数据 预测。常用的数据可视化工具包括Excel 、Tableau、Power BI等。
数据挖掘
总结词
医学统计学--数据处理的一般原则与方法
要点二
详细描述
公共卫生监测和疾病预防控制是医学统计学的重要应用 领域，涉及对疾病和健康状况的监测、预警和干预等方 面。
公共卫生监测需要对疾病和健康状况进行全面、连续的 监测，以早期发现异常情况。数据分析则需要对监测数 据进行整理、描述、预测等步骤，以预警和干预疾病传 播。
健康相关行为研究及数据分析
医学统计学的应用领域
临床医学
医学统计学在临床医学中有着广泛的应用，如临 床试验设计、诊断指标评估、疗效评价等。
生物统计学
生物统计学是生物学领域中应用统计学方法研究 生物现象的一门学科，涉及遗传学、分子生物学 、生理学等多个领域。
流行病学
流行病学中的发病率、患病率、死亡率等指标需 要进行大量的数据统计和分析，医学统计学为其 提供了科学的方法和工具。
公共卫生
公共卫生领域中的疾病监测、健康调查、环境监 测等都需要应用医学统计学的方法和技术。
02
数据处理的一般原则
数据质量与完整性
总结词
数据质量与完整性是数据处理的首要原则，要求数据准 确、完整、可靠。
详细描述
在进行数据处理前，需要对数据进行质量评估，包括数 据的完整性、准确性、一致性和真实性等方面。数据的 完整性是指数据是否收集完整，没有遗漏或缺失；准确 性是指数据是否符合实际情况，没有错误或误差；一致 性是指数据在不同来源或不同时间点的比较是否一致； 真实性是指数据是否真实可靠，没有伪造或篡改。对于 不完整、不准确、不一致或真实的数据，需要进行适当 的处理和修正。
方差分析
用于比较多个组别间均值差异的 方法，如ANOVA、协方差分析 等。
机器学习方法
监督学习
根据已知输入和输出来训练模型的方法，如回归分析、分类等。
数字的四舍五入与估算
数字的四舍五入与估算数字的四舍五入是一种常见的数值处理方法，用于将一个较长或精确的数字截取为更简洁的形式，以便于理解和使用。
四舍五入的原则是，当小数部分大于等于5时向前进位，小于5时向后抹去。
在进行数字四舍五入时，我们需要考虑合理的估算精度，以保证结果的准确性。
一、四舍五入的应用场景四舍五入常被广泛应用于金融、商业、科学等领域。
以下是一些常见的应用场景：1. 货币计算：在进行货币计算时，我们通常将结果四舍五入到小数点后两位，以保留合理的精度，避免计算误差带来的影响。
2. 统计分析：在统计数据分析中，为了简化数据的表达形式，我们常将数字进行四舍五入，以减少误差的误导。
3. 数据处理：在进行大数据处理或数据展示时，为了使数据更易读、易懂，我们可以将较长的数字进行四舍五入，保留适当的位数。
二、四舍五入的原理与方法四舍五入的原理相对简单，即根据小数部分的大小判断要舍去的位数，并根据小数部分的一半值大小进行进位或舍去操作。
下面我们来介绍四舍五入的一般方法：1. 确定精确位数：根据实际需求，确定要保留的精确位数。
2. 判断舍入依据：根据精确位数的下一位数字大小，确定是否进行舍入操作。
若下一位数字大于等于5，执行进位操作；若小于5，则进行舍去操作。
3. 舍入操作：根据舍入依据，将精确位数后的数字进行处理。
4. 结果精简：根据舍入操作后的结果，对其余位数进行处理，以保持整数部分的正确性。
三、四舍五入的误差与精度估算尽管四舍五入是一种常用的数字处理方法，但也存在一定的误差，尤其是在处理非常大的数值时。
因此，在进行四舍五入时，我们需要合理估算所需要的精度，以保证结果的可靠性。
以下是一些常见的数字精度估算方法：1. 保留小数位数：根据具体情况，确定需要保留的小数位数。
例如，在金融领域，通常需要将结果精确到小数点后两位。
2. 误差限制：根据误差的容忍程度，确定计算中的最大误差限制。
例如，在科学实验中，如果误差限制为0.01，我们可以将结果精确到小数点后两位。
数据处理原则范文
数据处理原则范文数据处理原则是指在进行数据处理和分析工作时，需要遵循的一系列原则和准则。
这些原则可以帮助我们确保数据的准确性、完整性和可靠性，从而有效地利用数据来做出正确的决策。
在下文中，将详细介绍数据处理的几个重要原则。
第一、精确性。
数据处理的首要目标是保证数据的准确性。
准确的数据是进行分析和决策的基础，如果数据存在错误或失真，将会导致错误的结果和决策。
因此，在数据处理过程中，应该采取措施确保数据的准确性，如建立数据验证机制，检查数据输入错误等。
第二、完整性。
完整性是指数据应当涵盖所有相关变量和维度，没有遗漏或缺失。
如果数据不完整，那么在进行分析时会产生偏差和误差，从而得出错误的结论。
为了确保数据的完整性，可以采取措施如使用数据清洗工具清理数据，填补缺失值等。
第三、一致性。
一致性是指数据应该在不同的时间和地点保持一致。
如果数据在不同的时间和地点存在差异，将会对分析的结果产生干扰和影响。
为了确保数据的一致性，应该采取措施如使用统一的数据格式和命名规范，进行数据标准化等。
第五、保密性。
保密性是指数据应该根据相关法律法规和隐私政策进行保护。
在进行数据处理和分析时，我们可能会处理一些敏感的个人信息或商业机密，这些数据应该得到妥善的保护，防止未经授权的访问和使用。
为了确保数据的保密性，应该采取措施如限制数据访问权限，加密敏感数据等。
第六、及时性。
及时性是指数据应该在需要时及时提供和更新。
如果数据信息滞后或过时，将无法支持及时的决策和分析。
因此，在进行数据处理和分析时，应该确保数据的及时性，如建立定时更新的数据采集和处理流程，及时反馈数据结果等。
总之，数据处理原则是进行数据处理和分析工作时应该遵循的准则和原则。
这些原则包括精确性、完整性、一致性、可靠性、保密性和及时性。
遵循这些原则可以帮助我们确保数据的质量和可信度，从而有效地利用数据来做出正确的决策。
数据分类与处理的原则主要包括( )
数据分类与处理的原则主要包括( )
1. 数据分类的原则
为了方便管理和分析，数据通常通过分类的方式进行组织。
数据分类的原则通常包括以下几个方面：
（1）按照数据的业务划分：数据可以根据不同的业务进行分类，包括财务、销售、采购、人力资源等等。
随着数据量的不断增大，人们需要进行更加复杂的数据处理操作，以从海量数据中挖掘出有价值的信息。
数据处理的原则通常包括以下几个方面：
（1）确保数据准确性：在进行数据处理前，需要对数据进行清洗和验证，确保数据的准确、完整和可靠。
（2）采用合适的数据处理方法：根据不同的数据类型和处理目的，采用不同的数据处理方法，如聚类分析、回归分析、关联分析等等。
（3）保证数据处理的可重复性：为了方便验证和复现数据分析结果，需要保证数据处理过程的可重复性，即每一次数据处理的结果都可以得到相同的结果。
（4）保证数据的机密性和安全性：在进行数据处理时，需要确保数据的机密性和安全性，防止数据泄露和滥用。
最终目的是使用数据予以实施决策和解决现实问题。
数据应用的原则通常包括以下几个方面：
（1）确定数据应用目标：在进行数据应用前，需要明确数据应用的目标和需求，以确保数据应用结果符合实际需求。
（2）合适的数据可视化方式：针对不同类型的数据和应用需求，采用不同的数据可视化方式，如图表、动态图、交互式可视化等等。
（3）可理解的数据分析结果：对于数据应用的结果，需要经过简单但直观的表述，以确保数据分析结果不仅是正确的，同时也易于理解。
数据处理原则
1 评价数据采集分析处理原则安全评价资料、数据采集是进行安全评价必要的关键性基础工作。
预评价与验收评价资料以可行性研究报告及设计文件为主，同时要求下列资料：可类比的安全卫生技术资料、监测数据，适用的法规、标准、规范、安全卫生设施及其运行效果，安全卫生的管理及其运行情况，安全、卫生、消防组织机构情况等。
安全现状评价所需资料要比预评价与验收评价复杂得多，它重点要求厂方提供反映现实运行状况的各种资料与数据，而这类资料、数据往往由生产一线的车间人员、设备管理部门、安全、卫生、消防管理部门、技术检测部门等分别掌握，有些甚至还需要财务部门提供。
表1是针对化工行业安全评价列出的“安全评价所需资料一览表”，可作为评价所需资料的参考。
对安全评价资料、数据采集处理方面，应遵循以下原则：首先应保证满足评价的全面、客观、具体、准确的要求；其次应尽量避免不必要的资料索取，以免给企业带来不必要的负担。
根据这一原则，参考国外评价资料要求，结合我国对各类安全评价的各项要求，各阶段安全评价资料、数据应满足的一般要求见表2。
2 评价数据的分析处理1)数据收集数据收集是进行安全评价最关键的基础工作。
所收集的数据要以满足安全评价需要为前提。
由于相关数据可能分别掌握在管理部门(设备、安全、卫生、消防、人事、劳动工资、财务等)、检测部门(质量科、技术科)以及生产车间，因此，数据收集时要做好协调工作，尽量使收集到的数据全面、客观、具体、准确。
2)数据范围收集数据的范围以已确定的评价边界为限，兼顾与评价项目相联系的接口。
如：对改造项目进行评价时，动力系统不属于改造范围，但动力系统的变化会导致所评价系统的变化，因此，数据收集应该将动力系统的数据包括在内。
3)数据内容安全评价要求提供的数据内容一般分为：人力与管理数据、设备与设施数据、物料与材料数据、方法与工艺数据、环境与场所数据。
4)数据来源被评价单位提供的设计文件(可行性研究报告或初步设计)、生产系统实际运行状况和管理文件等；其他法定单位测量、检测、检验、鉴定、检定、判定或评价的结果或结论等；评价机构或其委托检测单位，通过对被评价项目或可类比项目实地检查、检测、检验得到的相关数据，以及通过调查、取证得到的安全技术和管理数据；相关的法律法规、相关的标准规范、相关的事故案例、相关的材料或物性数据、相关的救援知识。
数据分类与处理的原则主要包括
数据分类与处理的原则主要包括1. 数据分类与处理的概念数据分类与处理是指将大量数据按照一定的规则进行分类和处理，以便于人们更好地理解和利用这些数据。
在现代化的信息社会中，数据分类和处理已经成为一个必不可少的工作环节。
随着信息技术的不断发展，数据分类和处理的技术也在不断更新和升级。
2. 数据分类的原则数据分类的核心是对数据的分类，在分类的基础上进行更细致的处理，并进行更有针对性的利用。
数据分类价值的实现在于依据数据本身的性质和不同的数据分类原则。
（1）随机性原则随机性原则是指在数据分类时遵循随机或随意的原则，对数据以随意的方式进行分类和处理，依照数据的特点，采用机器或人工处理方法。
例如在一次抽样调查中，可以随意抽取样本，并将样本数据进行分组和统计，得到相关结果。
（2）系统性原则系统性原则是指在数据分类时遵循规律的原则，对数据按照一定的规则和方法进行分类和处理，依据数据的特征和分类目的，采用不同的数据处理方法。
例如对于某一特定的数据类型，可以依据特点分组，并进行不同的分析，以实现对数据的更好理解和利用。
（3）目标性原则目标性原则是指在数据分类时要以实现特定的目标为导向，对数据按照目标进行分类和处理，着眼于获取更具价值的信息。
例如，对于一个公司的销售数据，对其进行分组和统计，以更好地实现销售目标和业绩提升。
3. 数据处理的原则数据分类的目的在于为后面的数据处理提供基础和依据。
数据处理是指应用现代信息技术对数据进行处理和分析，对数据进行更深层次的分析和挖掘。
（1）全面性原则全面性原则是指在数据处理过程中要考虑到数据的全面性，用不同的方法对数据进行处理，确保数据也能够快速准确的得到处理。
例如，当进行大数据分析时，可以使用多种算法和模型，同时进行数据透视、统计、分析和可视化等多个方面的处理。
（2）深度性原则深度性原则是指在数据处理过程中要对数据进行深度挖掘，寻找数据的内部联系和特征规律，为人们提供更多的信息，从而更好地应用数据。
数据分类与处理的原则主要包括
数据分类与处理的原则主要包括随着信息技术的不断发展，数据已经成为了我们生活中不可或缺的一部分。
在日常生活中，我们需要对数据进行分类与处理，以便更好地利用它们。
数据分类与处理的原则主要包括以下几个方面。
1. 数据分类的原则数据分类是将数据按照一定的规则进行分组，以便更好地管理和利用。
数据分类的原则主要包括以下几个方面：（1）按照数据的性质进行分类。
例如，将数据分为数字数据、文本数据、图像数据等。
（2）按照数据的来源进行分类。
例如，将数据分为内部数据和外部数据。
（3）按照数据的用途进行分类。
例如，将数据分为销售数据、财务数据、人力资源数据等。
（4）按照数据的格式进行分类。
例如，将数据分为结构化数据和非结构化数据。
2. 数据处理的原则数据处理是对数据进行加工、分析和处理，以便更好地利用它们。
数据处理的原则主要包括以下几个方面：（1）数据的准确性。
在进行数据处理时，必须确保数据的准确性，避免因数据错误而导致的错误决策。
（2）数据的完整性。
在进行数据处理时，必须确保数据的完整性，避免因数据缺失而导致的错误决策。
（3）数据的一致性。
在进行数据处理时，必须确保数据的一致性，避免因数据不一致而导致的错误决策。
（4）数据的安全性。
在进行数据处理时，必须确保数据的安全性，避免因数据泄露而导致的信息安全问题。
3. 数据分类与处理的工具为了更好地进行数据分类与处理，我们需要使用一些工具来帮助我们完成这些任务。
常用的数据分类与处理工具包括以下几个方面：（1）数据挖掘工具。
数据挖掘工具可以帮助我们从大量的数据中发现隐藏的模式和关系。
（2）数据可视化工具。
数据可视化工具可以将数据以图表、图形等形式展现出来，帮助我们更好地理解数据。
（3）数据分析工具。
数据分析工具可以帮助我们对数据进行统计分析和预测分析，以便更好地利用数据。
数据分类与处理的原则是非常重要的，它可以帮助我们更好地管理和利用数据。
同时，我们也需要使用一些工具来帮助我们完成这些任务。
数据分类与处理的原则主要包括
数据分类与处理的原则主要包括数据分类与处理是数据分析的重要环节，它能够帮助人们更好地理解和利用数据。
在进行数据分类与处理时，有一些原则是需要遵循的。
数据分类与处理的原则之一是准确性。
在进行数据分类时，需要确保分类的准确性，避免将数据分错类别。
而在进行数据处理时，需要确保数据处理的方法和过程准确无误，避免出现错误的结果。
只有准确的数据分类和处理，才能得到可靠的分析和结论。
数据分类与处理的原则之二是一致性。
在进行数据分类与处理时，需要确保处理方法的一致性，即对相同类型的数据采用相同的处理方法，以保证结果的可比性。
同时，在进行数据分类时，也需要保持一致性，避免在不同的环境下对同一类数据进行不同的分类。
第三，数据分类与处理的原则之三是完整性。
在进行数据分类时，需要确保分类的完整性，即将所有的数据都进行分类，不遗漏任何一个数据。
而在进行数据处理时，也需要保持数据的完整性，避免丢失或修改数据中的任何一个部分。
第四，数据分类与处理的原则之四是可复现性。
在进行数据分类与处理时，需要确保方法和过程的可复现性，即其他人可以按照相同的方法和过程对数据进行分类和处理，并得到相同的结果。
这样可以增加数据分类与处理的可信度，并方便其他人对数据进行验证。
第五，数据分类与处理的原则之五是效率性。
在进行数据分类与处理时，需要确保方法和过程的高效性，即用最少的时间和资源完成分类和处理任务，并得到满意的结果。
这可以提高工作效率，节省时间和成本。
数据分类与处理的原则包括准确性、一致性、完整性、可复现性和效率性。
遵循这些原则可以保证数据分类与处理的可信度和可靠性，为后续的数据分析提供可靠的基础。
同时，需要注意的是，在进行数据分类与处理时需要综合考虑各种因素，并根据具体情况做出合理的选择和决策。
只有在严谨认真的态度下进行数据分类与处理，才能得到准确、可靠和有意义的结果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
三、统计方法前提条件的检验
多样本比较的方差分析： 独立 正态分布 方差齐性
多重线性回归分析： 变量间无多重共线 残差分布正态 ┇
24
第四节 统计方法选择 的基本思路
25
根据：
医学专业知识
医学统计学知识
计算机统计软件技术
26
设计类型：完全随机、随机区组、拉丁方、 交叉、析因、正交、嵌套、裂区设计 处理因素：单因素、双因素、多因素 反应变量：单变量、双变量、多变量 资料类型：计量、无序分类、有序分类 样本数目：单样本、两样本、多样本 数据提供信息：完全数据、不完全数据、 重复测量数据 假设检验方法前提条件： 重要 独立、方差齐性、正态分布
34
一、单变量计量资料
4.多个样本均数的比较 (5)处理因素≥2、每个因素的水平数≥2 完全随机分组析因设计 服从正态分布 分析各因素主效应与交互作用 完全随机分组析因设计方差分析
35
一、单变量计量资料
4.多个样本均数的比较 (6)处理因素≥2、每个因素的水平数≥2 正交设计 服从正态分布 分析各因素主效应与主要因素一阶交互作用 正交设计直接分析、方差分析
无 无 无 无 ┇ 有
有 无 无 无 ┇ 无
无 无 无 无 ┇ 无
520 523 209 1303 ┇ 331
— 4.5 3.3 4.1 ┇ 6.1
治愈 治愈 治愈 治愈 ┇ 丧失
行：观察单位
列：变量
18
肾衰病人预后研究的临床资料记录
病人 编号 病案号 性别 年龄 生理 评分 肾毒 性 黄疸 昏迷 肌酐 胆固 醇 肾功能 预后
6
实验设计
对照 原则：均衡可比 类型：配对、组间 设置 基本原则 随机化 重 复
空白 实验 安慰剂 标准 相互
(样本含量)
1- 、、
7
统计描述
一张表表达一个中心内容
制表原则 主语在左、宾语在右
简单明了
统计表 制表要求
标题 标目 线条 数字 备注
8
统计描述
间断性资料：
制图原则 统计图 制图要求
39
两种疗法降低颅内压有效率的比较
组 别 试验组 对照组 合 计 有 效 无 效 合 计 104 96 200 有效率（%） 95.20 78.13 87.00 99（90.48） 5（13.52） 75（83.52） 21（12.48） 174 26
Y(疗效) =
1 有效 0 无效
X1(试验因素) =
21
第三节 数据处理 的几个基本问题
22
一、数据的净化
逻辑检查 计算检查
二、离群数据的处理
离群值(outliner) 与P25或P75的距离为 “四分位数间距”的1.5~3.0倍。 极端值(extreme value) 与P25或P75的距 离为“四分位数间距”的3.0倍以上。 剔除离群或极端值要予以合理解释。
1 2 3 4 ┇ 274
004757 007950 011093 017555 ┇ 279183
男 女 男 男 ┇ 女
26 31 55 25 ┇ 88
14 13 17 9 ┇ 15
无 无 无 无 ┇ 有
有 无 无 无 ┇ 无
无 无 无 无 ┇ 无
520 523 209 1303 ┇ 331
— 4.5 3.3 4.1 ┇ 6.1
1有 0无
数据输 入格式
组别 疗效 频数 1 1 99 1 2 5 2 1 75 2 2 21
40
二、计数资料
3.RC列联表 相关、相差 (1)双向有序 备择假设：行变量与列变量为非零相关 Cochran-Mantel-Haenszel 2 检验 有序分组资料的线性趋势检验 2 回归 (2)单向(反应变量)有序 备择假设：行平均得分不同 Cochran-Mantel-Haenszel 2 检验 Wilcoxon 秩和检验
假设 检验 步骤
15
统计推论
比较差别：2、t、u、F、q、log-rank 、 秩和检验等 联系：相关、回归分析 分类：聚类、回归分析 鉴别：判别分析 推测：回归分析 筛选影响因素：回归分析 综合变量信息：主成分分析 寻找潜在支配因素：因子分析
16
假设 检验 方法
第二节
原始数据的录入
17
一、原始数据的记录形式
14 13 17 9 ┇ 15
无 无 无 无 ┇ 有
有 无 无 无 ┇ 无
无 无 无 无 ┇ 无
520 523 209 1303 ┇ 331
— 4.5 3.3 4.1 ┇ 6.1
治愈 治愈 治愈 治愈 ┇ 丧失
解释变量
反应变量
标识变量
分析变量
20
二、原始数据的录入
文件类型： 数据库文件：EpitaDa dBASE、FoxBASE、Foxprow Oracle Excel文件： Excel 文本文件：Word 统计软件数据文件：SPSS、SAS、STATA 变量名的定义： 变量值的量化：
10
统计描述
中心位置：均数向量
统计 指标
计量资料 (多变量)
离散程度：离均差矩阵 协方差矩阵 相互关系：相关矩阵
11
统计描述
绝对数、率、构成比、 计数资料 相对比 、RR(OR) 标准误 离散程度：
统计 指标
等级 资料 双变量：rs
秩号、秩和 单变量 离散程度：秩和的标准误
12
统计描述
正态 参考 值 范围估计 偏态
36
一、单变量计量资料
4.多个样本均数的比较 (7)处理因素≥2，每个因素的水平数≥2 处理因素中有一个为重复测量因素 不满足“球对称”假设 分析各因素主效应与交互作用 重复测量设计的方差分析
37
二、计数资料
1.一个样本率与总体率比较 基于二项分布的直接概率法 正态近似法u检验
u
p 0 0 (1 0 ) / n
统计描述 统计推论
参数估计 假设检验
4
简单随机 普查 系统 研究目的 概 率 按范围 抽样 非概率 分层随机 整群
调查设计
调查方法
横向(现况调查) 按时间 队列研究 纵向 调查对象 病例对照研究 调查指标 调查工具 调查员
5
实验设计
动物实验 实验分类 临床试验 社区干预试验 处理因素 基本要素 受试对象 实验效应
41
二、计数资料
3.RC列联表 相关、相差 (3)双向无序 备择假设：行变量与列变量有一般关联 Cochran-Mantel-Haenszel 2 检验 Pearson 2 检验
42
三、等级资料
1.配对设计 Wilcoxon符号秩检验 2.两组独立样本 Wilcoxon两样本秩和检验 3.完全随机设计多个样本比较 Kruskal-Wallis H 检验 4.随机区组设计多个样本比较 Friedman M 检验
38
二、计数资料
2.两样本率比较
Logistic回归分析
(1)两组完全随机设计 N 40 且 T 5 Pearson 2 检验 N 40 但 5 > T 1 Pearson 2 检验 (Yates 校正公式) N<40 或 T <1 Fisher 确切概率法 (2)配对设计 McNemar 2 检验
治愈 治愈 治愈 治愈 ┇ 丧失
标识变量
分析变量
19
肾衰病人预后研究的临床资料记录
病人 编号 病案号 性别 年龄 生理 评分 肾毒 性 黄疸 昏迷 肌酐 胆固 醇 肾功能 预后
1 2 3 4 ┇ 274
004757 007950 011093 017555 ┇ 279183
男 女 男 男 ┇ 女
26 31 55 25 ┇ 88
27
一、单变量计量资料
1.样本均数与总体均数比较 单因素 服从正态分布 单样本t检验 可信区间法 不服从正态分布 单个样本中位数与总体中位数比较
28
一、单变量计量资料
2.两个相关样本均数的比较 单因素 配对设计或自身前后对照设计 差值服从正态分布 1-α可信区间不 成对t检验 包括 μd=0,P<α 可信区间法 差值不服从正态分布 Wilcoxon符号秩检验
32
一、单变量计量资料
4.多个样本均数的比较 (3)一个处理因素、二个控制因素(行、列) 拉丁方设计 服从正态分布、方差齐性 拉丁方设计方差分析 两两比较： SNK-q、Dunnett-t 检验
33
一、单变量计量资料
4.多个样本均数的比较 (4)一个处理因素、二个控制因素(阶段、受试者) 二阶段交叉设计 服从正态分布、方差齐性 前一阶段处理效应不持续作用到下一阶段 二阶段交叉设计方差分析
43
四、双变量资料
1.相关分析 X1与X2服从二元正态分布 Pearson积差相关分析 X1与X2不服从二元正态分布 Spearman秩相关分析 2.回归分析 Y与X服从二元正态分布 或 Y服从正态分布而X为控制变量 Y与X间呈直线趋势 直线回归分析
44
3.曲线回归分析（SPSS）
1. Linear 线性模型 Y b 0 b1 X 二次模型 Y b 0 b1 X b 2 X 2 复合模型 Y b 0 b
双侧： X u / 2S
单侧：X uS 或 X uS
双侧：p x ~ p100 x 单侧： p x 或 p100 x
13
统计推论
X 、p 、r 、b
点估计 S 、S 2 2 参数 估计
S X X、S p p
区间 估计
7. S S型模型 Y e
31
当处理因素 一、单变量计量资料 为重复测量 4.多个样本均数的比较 因素且不满 足“球对称 (2)一个处理因素、一个控制因素 ”假设，应 随机区组设计 用重复测量 服从正态分布、方差齐性 设计方差分 随机区组设计方差分析 析 两两比较：SNK-q 、Dunnett-t检验 不服从正态分布或方差不齐性 多个相关样本比较 Friedman M 检验 两两比较：q 检验