Page 84 - 统计创新与高质量发展

Statistical Innovation and High Quality Development
统计创新与高质量发展

可能在 50 - 500 元之间。在 Python 中，可通过条件语句对数据进行范围检查，
如 df[(df['age'] < 18) | (df['age'] ＞ 90)] 和 df[(df['product_price'] < 50) | (df['product_
price'] ＞ 500)]，分别筛选出年龄和产品价格超出范围的记录。

（2）边界值检查
特别关注数据的边界值情况，确保数据在边界值处的合理性。以年龄为例，
在 18 岁和 90 岁这两个边界值附近，检查数据是否存在异常。在 Python 中，使
用 df[(df['age'] == 18) | (df['age'] == 90)] 筛选出年龄为边界值的记录，进一步检查

这些记录的其他相关信息是否合理。对于产品价格的边界值，如 50 元和 500 元，
同样进行详细检查，避免因数据录入或处理不当导致的边界错误。例如，在价格
为 50 元时，检查是否存在因四舍五入等原因导致的价格误差，确保数据的准确
性和可靠性。

3. 数据准确性验证
（1）与外部数据对比
将调研数据与可靠的外部数据源进行对比是验证数据准确性的重要方法。例
如，在进行某地区消费者收入水平的市场调研后，可与该地区政府发布的统计年

鉴中的居民收入数据进行对比。若发现调研数据与统计年鉴数据存在较大差异，
分析原因。可能是调研样本的选取存在偏差，或者外部数据的统计口径与调研数
据不一致。在 Python 中，通过数据合并和对比函数，将两个数据集按照相同的
维度（如年龄、性别等）进行合并，然后计算对应数据的差异，如 merged_data

= pd.merge(df_internal, df_external, on=['age', 'gender'])，再计算收入差异 merged_
data['income_difference'] = merged_data['income_internal'] - merged_data['income_
external']，通过分析差异值的分布和大小，判断数据的准确性。
（2）数据审核与确认

组织专业人员对数据进行人工审核是确保数据准确性的最后一道防线。对于
关键数据和重要变量，如消费者的购买决策因素、品牌忠诚度等，通过专业知识
和经验判断数据的合理性和准确性。例如，在审核消费者对某品牌的满意度评分
时，若出现大量极端高分或低分，且与其他相关数据不匹配，可进一步核实数据

来源和采集过程。对于存在疑问的数据，及时与数据采集人员或受访者进行沟通
核实。在数据采集过程中，可设置数据审核环节，由数据采集人员对初步收集的
数据进行自查，确保数据的准确性和完整性。

76