數據收集與清理：由問卷到乾淨數據
進階問卷設計要清晰無引導；原始數據要先清理（刪重複、查錯誤值、處理缺失）才統計；收集個人資料要守最少需要原則，展示時匿名化。
- 問卷題目要清晰、選項要完整、避免引導性字眼。
- 統計前必須清理數據：刪重複、查錯誤值、處理缺失值。
- 排序和 MAX／MIN 是快速找出異常數值的方法。
文體小知識：數據素養課講如何負責任地處理資料 — 由收集、清理到保護私隱，都是做專題研習的實用基本功。
§課文原文 Passage
1做專題研習時，收集數據最常用的方法是問卷（Questionnaire）和訪問。設計問卷要題目清晰、選項完整，例如「你每週使用手機多少小時？」最好提供範圍選項（0-1、2-3、4 小時以上），受訪者容易答，之後統計也整齊；同時要避免引導性的字眼。
2收集回來的原始數據（Raw data）通常又亂又「髒」：有重複的填寫（同一人交了兩次）、明顯的錯誤（年齡填了 200 歲）、漏答的空白。直接拿去統計會得出錯誤結論，所以要先做數據清理（Data cleaning）。
3清理的三個基本步驟：第一，刪除重複記錄，令每人的意見只計一次；第二，檢查錯誤值 — 年齡 200、身高 5 米這類明顯不合常理的數字要核實或剔除；第三，處理缺失值，可以補問、刪除該筆記錄，或在報告中清楚說明。
4數據涉及真人，就涉及私隱（Privacy）。收集個人資料前要先說明用途，並且只收集需要的最少資料；報告展示時應把姓名變成編號（例如 A01、A02），既保護同學，也符合香港《個人資料（私隱）條例》的精神。
1重點摘要 Summary
問卷設計要清晰無引導；原始數據要先清理（刪重複、查錯誤值、處理缺失）才統計；收集個人資料要守最少需要原則，展示時匿名化。
2生字卡 Vocabulary
一系列預先設計的問題，用來向多人收集數據，題目和選項必須清晰。
剛收集回來、未經整理的資料，通常有重複、錯誤和缺失。
統計前修正數據的過程：刪重複、查錯誤值、處理缺失值。
同一人被記錄多於一次的資料，會令其意見被重複計算，必須只保留一筆。
明顯不合常理的數值，例如年齡 200、身高 5 米，要核實或剔除。
受訪者漏答的空白欄位；可補問、剔除或在報告中說明，絕不可編造。
用編號代替姓名等可識別個人的資料，令數據無法追溯至個人身分。
可以識別個人身分的資料，例如姓名、電話、地址、相片。
收集資料前先向受訪者說明目的和用途，對方明白後自願同意參與。
3逐步講解 Steps
- 設計問卷問卷是專題研習收集數據最常用的工具，設計得好壞直接影響之後統計的難易。以調查全班作息時間為例，封閉式題目「你每晚睡多少小時？□6 以下 □6-7 □8 以上」提供固定選項，受訪者容易作答，統計時也整齊；開放式題目答案五花八門，難以歸類。同時要避免引導性問題，例如「你也同意太遲睡有害吧？」會暗示受訪者跟風作答，所得數據便失真。
- 收集與記錄收集回來的數據要有系統地記錄，最常用的是試算表：每一行代表一位同學，每一欄代表一條問題，格式整齊才方便之後清理。輸入時要全表統一單位和格式，例如身高一律以厘米記錄，避免 1.6 米和 160 厘米混在一起；日期也應統一寫法。輸入資料時小心核對，寧願慢一點也不要錯，因為源頭記錯了，之後所有統計結果都會受影響。
- 找出重複重複記錄是原始數據最常見的問題，多數因為同一人交了兩次問卷。例如編號 A07 出現兩次、答案完全一樣，便可以判斷是重複提交，保留一筆即可；如果兩次的答案不同，就不能隨便刪，要先核實哪一次屬實，例如向該位同學查詢。放着重複記錄不處理，該同學的意見便被計算了兩次，全班平均和其他統計都會出現偏差。
- 檢查錯誤值錯誤值是明顯不合常理的數字，例如年齡欄出現 200、身高欄出現 5，多半是受訪者亂填或輸入時打錯。檢查方法很直接：用 =MAX(B2:B41) 找出該欄最大值，得出 200 便知道有問題，再用 MIN 檢查最小值。發現錯誤值後要先設法核實，能改正便改正；無法核實的明顯亂填數據應整筆剔除，並在報告說明剔除的原因和數量。
- 處理缺失值缺失值指受訪者漏答某些題目，例如 40 份問卷中有 3 份漏答「每日運動時間」。處理方法有三種：盡量補問；就該題剔除這 3 份；或在報告中清楚註明「本題有效樣本 37 份」。千萬不要自己編一個數字填上去，那樣等於偽造數據；也不可以默默當作零處理，因為漏答不等於答案是零。缺失值的處理方式必須在報告交代，讓讀者判斷結果的可信程度。
- 排序快速檢查排序是檢查數據最快捷的方法之一：把年齡欄由小至大排序，頭尾的異常值便一目了然，例如出現 0 歲或 999 歲，立即可以鎖定問題記錄。排序配合最大值和最小值函數，是找出異常值的兩大法寶，先排序掃一遍，再用函數核實。檢查不必逐格細看全部 40 行，善用這些工具，幾分鐘便能掃清整份數據集，之後才開始統計。
- 匿名化展示數據涉及真人，展示時必須保護私隱。報告中應以編號 A01、A02 代替同學姓名，只展示全班平均等整體數字，不展示可識別個人的資料；成績、住址、健康狀況等敏感資料更要格外小心，能不展示便不展示。這既保護受訪同學，也符合香港《個人資料（私隱）條例》只收集最少資料、用途受限的精神。公開報告前，先想像自己是其中一位受訪者，檢查有沒有任何資料可以追認到個人。
4圖解 Diagrams
5例題示範 Example
例題：40 份問卷中發現 2 份重複、1 份年齡填了 150、3 份漏答第 3 題。第 3 題的有效樣本有多少份？
- 先刪除 2 份重複記錄，令每人的意見只計算一次：40 − 2 = 38 份有效問卷。
- 年齡 150 是明顯不合常理的錯誤值，嘗試核實但不成功，按規定剔除：38 − 1 = 37 份。
- 漏答第 3 題的 3 份問卷，就第 3 題而言不算有效樣本：37 − 3 = 34 份。
- 報告必須寫明「第 3 題有效樣本 34 份」，並交代重複、錯誤、缺失各剔除多少，不可籠統說 40 份。
- 答案：第 3 題的有效樣本為 34 份（40 − 2 重複 − 1 錯誤 − 3 缺失）。清理數據時每剔除一筆都要有依據，並在報告中如實交代，這樣讀者才能判斷統計結果的可信程度。
6常見錯誤 Mistakes
75 題快測 Quick check
Q1原始數據中有兩筆完全相同的記錄，應該如何處理？
Q2年齡欄出現「200」，這屬於哪類問題？應該怎樣做？
Q350 份問卷中 5 份漏答某題，該題的有效樣本是多少？報告要怎樣寫？
Q4為什麼展示問卷結果時要用編號代替姓名？
Q5以下哪條問卷題目設計較好？為什麼？A.「你同意熬夜傷身嗎？」B.「你昨晚多少點入睡？□10 前 □10-11 □11-12 □12 後」
8重點回顧 Recap
- 問卷題目要清晰、選項要完整、避免引導性字眼。
- 統計前必須清理數據：刪重複、查錯誤值、處理缺失值。
- 排序和 MAX／MIN 是快速找出異常數值的方法。
- 缺失值可以補問、剔除或註明，絕不可編造。
- 個人資料收集要守最少需要原則，展示時匿名化。