5步将凌乱的数据处理成干净的表格。

library(tidyverse)
library(skimr) # 数据概览
library(janitor)
library(naniar) # 处理缺失值

1 第一步：了解数据、快速诊断

1.1 基础诊断和了解

df <- read_csv("D:/Myblog/datas/P_data.txt") # 也可以读csv，看看哪个更干净

# ── 第一步：看数据结构 ────────────────────────────────
# 这行最重要，结果要粘给DeepSeek V4
glimpse(df)

Rows: 6
Columns: 8
$ `patient id`     <chr> "P001", "P002", "P003", "P004", "P005", "P006"
$ `admission date` <chr> "2023/3/15", "2023-04-02", "20230510", "2023/5/18", "…
$ age_year         <chr> "45", "62", "38", "-", "55", "71"
$ gender           <chr> "男", "女", "M", "女", "男", "女"
$ sbp_mmhg         <dbl> 128, 0, 136, 142, 118, 155
$ `glucose mg dL`  <chr> "148", "85", "0", "189", "不详", "201"
$ diagnosis        <chr> "糖尿病", "正常", "糖尿病前期", "糖尿病", "正常", "糖尿病"…
$ BMI              <dbl> 28.5, 26.1, 0.0, 31.2, 27.8, NA

# ── 第二步：详细描述统计 ──────────────────────────────
skim(df)

Data summary
Name	df
Number of rows	6
Number of columns	8
_______________________
Column type frequency:
character	6
numeric	2
________________________
Group variables	None

Variable type: character

skim_variable	complete_rate	min	max	n_unique
patient id	1	4	4	6
admission date	1	8	10	6
age_year	1	1	2	6
gender	1	1	1	3
glucose mg dL	1	1	3	6
diagnosis	1	2	5	3

Variable type: numeric

skim_variable	n_missing	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
sbp_mmhg	0	1.00	113.17	56.84	0	120.5	132.0	140.5	155.0	▂▁▁▂▇
BMI	1	0.83	22.72	12.83	0	26.1	27.8	28.5	31.2	▂▁▁▁▇

# ── 第三步：缺失值全貌 ────────────────────────────────
# 每列缺失值数量
colSums(is.na(df))

    patient id admission date       age_year         gender       sbp_mmhg 
             0              0              0              0              0 
 glucose mg dL      diagnosis            BMI 
             0              0              1

# 可视化缺失值分布（一图看清楚）
vis_miss(df)

# ── 第四步：检查重复行 ────────────────────────────────
sum(duplicated(df))

[1] 0

df[duplicated(df), ] # 看具体是哪些重复行

# A tibble: 0 × 8
# ℹ 8 variables: patient id <chr>, admission date <chr>, age_year <chr>,
#   gender <chr>, sbp_mmhg <dbl>, glucose mg dL <chr>, diagnosis <chr>,
#   BMI <dbl>

1.2 把诊断结果给DeepSeek V4

将以上结果中的glimpse(df)复制粘贴给DeepSeek V4，提示它帮你分析数据质量问题，并给出处理建议。具体的COSTAR提示词吐下所示：

使用COSTAR提示词分析数据质量问题

【C·背景】我有一份[数据名称的]数据，glimpse输出如下：

[把 glimpse(df) 的完整输出粘贴在这里]

【O·目标】 1. 分析这份数据存在哪些数据质量问题， 2. 按类型归类（日期格式、缺失值、数据类型、编码不一致等）， 3. 给出优先处理顺序

【S·风格】条目式列出，每个问题说明：问题描述 + 可能的影响 + 建议处理方法

【T·语气】专业简洁，直接给可操作的建议，不需要解释基础概念

【A·受众】有R基础，想用AI辅助做数据分析

【R·格式】按优先级排序的问题清单，最后给一个推荐的处理顺序

DeepSeek V4会帮我们梳理出一份”数据清洗任务清单”，按照这个清单来处理，不会漏掉任何问题。

2 第二步：列名规范化-让代码不再认不出变量

可使用janitor::clean_names()函数快速规范化列名，统一小写，去掉特殊字符，空格变下划线。但对中文列名可能不太友好，建议先用英文列名，或者后续再重命名。
如果列不多，可以手动重命名，保持清晰有意义，避免过长或过短的名字。
也可以使用COSTAR提示词让AI帮你生成规范的列名，尤其是当原始列名非常混乱时。

使用COSTAR提示词生成规范列名

【C·背景】我的R数据框有以下列名：

[粘贴 names(df) 的输出]

目标：转换为规范的英文小写下划线格式，变量名有实际含义

【O·目标】生成一段 rename() 代码，把所有列名转换为规范的英文命名，每个新列名后面加中文注释说明含义

【S·风格】tidyverse 管道写法

【R·格式】完整的 rename() 代码块，可以直接运行

3 第三步：数据类型转换-让每列数据都穿上合适的”衣服”

数据读进来之后，R 不一定能正确判断每列的类型。日期被读成字符串，分类变量被读成数字，数值被读成因子——这些都会导致后续分析出错。

使用COSTAR提示词生成列类型转换代码

【C·背景】数据框 df 的 glimpse 输出如下： [粘贴 glimpse(df) 输出]

存在以下类型问题：[替换为自己的数据问题] - date_admission 列是字符型，包含多种日期格式（举例说明） - gender 列编码不统一（列出具体值） - age 列是字符型（因为包含”-“）

【O·目标】生成完整的数据类型转换代码，处理上述所有问题

【S·风格】tidyverse 管道写法，一个 mutate() 块完成所有转换

【T·语气】关键参数加注释解释为什么这样写

【R·格式】完整可运行代码 + 最后加验证代码（table/class/sum(is.na())）

4 第四步：处理缺失值-让数据不再”有病”

缺失值处理是数据清洗里最需要判断力的环节。不同情况用不同策略，没有万能方法。

使用COSTAR提示词制定缺失值处理方案

我的数据缺失情况如下（百分比）： [粘贴 missing_rate 的输出]

数据特点：替换为自己的数据特点 - 这是一份横断面临床研究数据，共[N]例 - 结局变量是[变量名]（二分类） - 分析目的是做逻辑回归

【O·目标】根据每个变量的缺失率和临床意义，给出具体的缺失值处理方案，包括：处理策略选择、代码实现、处理后验证

【S·风格】tidyverse 风格，保守处理原则（宁可多删不误导）

【T·语气】生态环境科学研究规范，解释每个决策的统计学和依据

【A·受众】准备投稿SCI的生态环境科学研究者

【R·格式】 1. 每个变量的处理方案（表格形式） 2. 完整的处理代码 3. 敏感性分析建议

最简R语言教程-数据处理通用流程