系列：研究生自救指南：30 天用 Claude Code 打造我的論文工具箱 進度：第三週「資料」（Day 13–18）第 1 篇

檢體送到檢驗科，第一件事不是上機，是核對標籤。姓名、病歷號、採檢時間、檢體種類，四樣有一樣對不上，這管血再新鮮也不能用——不是檢驗科刁難，是結果出來之後沒有人能證明它是誰的。

Google 表單匯出的那份 CSV，就是那管血。它是我整篇論文結論的唯一證據（Day 4 講過），而我第一次打開它的時候，做的事跟直接上機沒兩樣：打開 Excel，看到亂的就刪，看到反向題就順手算，存檔。三個月後的後果，Day 18 再講。今天先講第三週的第一個工具，以及它為什麼跟前兩週的工具長得不一樣。

先看清楚那份檔案長什麼樣
Google 表單匯出成 CSV，打開之後大概是這樣（虛構示範，欄位依我的問卷改寫）：

時間戳記 電子郵件地址 1. 您的性別 2. 您的年齡 3. 我對目前的工作感到精疲力竭 4. 您目前的工作單位（可複選）
2026/8/12 下午 9:47:13 xxx@gmail.com 女 34 非常同意 內科病房, 加護病房
六個坑，每一個都是我踩過的：

欄名是整句題目。 「3. 我對目前的工作感到精疲力竭」——含編號、標點、有時還有換行。統計軟體不吃這種欄名，人也記不住。
Likert 是文字不是數字。 「非常同意」是 5 還是 1，CSV 裡沒有寫，只在我的計畫書裡有寫。
多選題塞在一格。 「內科病房, 加護病房」——一格兩個答案，用逗號隔開，而 CSV 本身也是用逗號隔開的。
時間戳記是本機格式。 「下午 9:47:13」這種東西，換一台電腦打開就變另一種樣子。
有些列不是受試者。 我自己測試填的三筆、同一個人按兩次送出的重複填答、正式施測前的試填。哪些該留哪些該刪，看檔案看不出來。
個資欄還在。 電子郵件地址、（需作者補充：問卷裡還有哪些可以識別身分的欄位，例如員編、單位＋年資組合）。這些欄位不該進到分析用的檔案裡，但它們在 raw 裡，而 raw 不能動。
這六件事沒有一件是「清理」能單獨解決的。每一件背後都有一個決定，而那個決定不在檔案裡，在計畫書裡。

第一步不是清理，是盤點
Day 8 的摘要卡教我的：先讓它讀，不要先讓它動。

第三週的第一個動作，是讓工具把 raw 讀一遍，輸出一份編碼簿（codebook）。它不改任何東西，只回答每個欄位四個問題：這欄原本叫什麼、裡面出現了哪些值、各出現幾次、空了幾格。

原始欄名 建議變數名 觀察到的值（前 5 種） 空白 備註

1 時間戳記 timestamp 2026/8/12 下午 9:47:13 … 0 本機格式，需轉 ISO
2 電子郵件地址 （移除） 87 種不同值 3 個資，不進 clean
3 1. 您的性別 gender 女(71)、男(16)、不願透露(2) 1
5 3. 我對目前的工作感到精疲力竭 bo_01 非常同意(12)、同意(31)、普通(25)、不同意(18)、非常不同意(4) 0 Likert 5 點，對應待定
6 4. 您目前的工作單位（可複選） unit 內科病房(40)、外科病房(22)、加護病房(19)、急診(11) 0 多選，需拆欄
這份表我印出來，拿著計畫書逐欄對。對的時候發現兩件事：計畫書的量表題號跟表單的題號差了一題（需作者補充：實際差在哪，例如表單前面多插了一題人口學變項）；以及性別欄有一個「不願透露」的選項，計畫書裡根本沒有，是我做表單的時候手滑加的。

這兩件事，任何清理工具都不可能幫我發現，因為工具沒有讀過計畫書。盤點的目的就是逼我把兩份東西放在一起看。

規則檔：清理規則來自計畫書，不是來自看到的資料
跟 Day 11 的 apa-rules.md 一樣，清理規則獨立成一份檔案，放 data/clean-rules.md。不一樣的是：這份檔的每一條，出處都要是 IRB 核准的那一版計畫書。

問卷資料清理規則（依計畫書 v__ 版；IRB 案號：需作者補充）

優先順序

1. 本檔規則
2. 本檔沒寫的，不做，列入「未涵蓋」提出來問我

納入／排除

• 排除：時間戳記在正式施測開始日（需作者補充：日期）之前的列（測試填答）
• 排除：同一 Email 重複送出，保留最後一筆（計畫書 p.__「重複填答以最後一次為準」）
• 排除：量表題全部同一答案的列（計畫書 p.__「無效問卷判定」）
• 不排除：任何本檔沒寫到的情況。看起來亂填不是排除理由。

欄位

• 移除欄位：電子郵件地址、（需作者補充）
• 變數命名：依 codebook「建議變數名」欄，全小寫、底線分隔、不超過 8 字元（為 SPSS 預留）
• 時間戳記轉 ISO 8601，保留為 timestamp 欄

量表

• Likert 五點：非常不同意=1、不同意=2、普通=3、同意=4、非常同意=5
• 反向題：（需作者補充：題號），計分 6 − 原分
• 反向題在 clean 產生新欄，名稱加 _r；原欄保留
• 此階段不計算任何分量表總分（留到分析階段）

多選題

• 一題拆成多個 0/1 欄：unit_med、unit_surg、unit_icu、unit_er
• 拆欄依據 codebook 觀察到的所有選項，不得自行合併類別

遺漏值

• 空白保留為空白，不填補、不推估
• 遺漏值代碼交給 Day 14 決定
  「不排除任何本檔沒寫到的情況」這一條，是整份規則檔的核心。三個月前我刪掉的那幾筆「看起來明顯亂填」的資料，就是沒有這一條。看起來亂填，跟計畫書定義的無效問卷，是兩回事。

這一次，它連副本都不寫——它寫程式
Day 11 我讓它改副本，判準是規則明確、結果可驗證、動作可逆。

資料清理三條都成立，但我還是把線畫得更緊：它不產出 data/clean/ 裡的任何檔案，它產出 analysis/clean_survey.py。清理後的檔案是我跑那支程式跑出來的。

原因回到 Day 4 原則二：clean 必須是可以重新生出來的。如果 clean 是它直接寫出來的，三個月後規則改了，我得再請它做一次，而它兩次做出來的不一定一樣。如果 clean 是程式跑出來的，規則改了就改程式重跑，跑一百次結果都一樣。

第二個原因更實際：程式我看得懂，它「做了什麼」我看不懂。一支八十行的 pandas 程式，每一段對應規則檔的一條，我可以逐條對回去。一份它直接產出的 CSV，我只能對結果，對不了過程。Day 12 說過，我要交代給老師的是過程。

SKILL.md 全文
存在 .claude/skills/survey-clean/SKILL.md：

name: survey-clean
description: 讀取 data/raw/ 的 Google 表單匯出檔，依 data/clean-rules.md 產生清理程式與清理報告。使用者說「盤點問卷」「清理問卷」「產生 codebook」時使用。

問卷資料清理

兩種模式

• 「盤點」：只讀 raw，輸出 data/codebook.md。不產生任何其他檔案。
• 「清理」：讀 raw、codebook、clean-rules.md，輸出 analysis/clean_survey.py 與 data/clean-report.md。不執行程式，不產生 data/clean/ 內任何檔案。

前置檢查

1. 確認 data/raw/ 內有且只有一份使用者指定的匯出檔。找不到或有多份就停下來問。
2. 「清理」模式必須先有 data/codebook.md 與 data/clean-rules.md。缺任何一份就停下來，不得用自己的判斷代替。
3. 讀取 raw 一律以 UTF-8 讀取並處理 BOM，不得修改編碼後另存。

盤點規則

1. 每一欄輸出：序號、原始欄名（一字不改）、建議變數名、觀察到的值與次數（最多前 5 種）、空白數、備註。
2. 建議變數名依 clean-rules.md 的命名規則；規則檔還沒有時，依「題號＋簡短英文」。
3. 觀察到的值一律照原文列出，不得正規化（「女」和「女性」是兩個值）。

清理程式規則

1. 程式只做 clean-rules.md 寫到的事，每一段程式碼上方註解對應規則檔的哪一條。
2. 程式以唯讀方式讀取 data/raw/，全程不得有任何寫入 data/raw/ 的指令。
3. 每一條排除規則，程式要記錄：排除前 N、排除幾筆、排除後 N，寫進 data/clean-report.md。
4. 被排除的列另存 data/clean/excluded.csv，附「排除原因」欄。原始資料一筆都不能消失，只能被標記。
5. 輸出 data/clean/survey_clean.csv，UTF-8 with BOM，第一列為變數名。

絕對不要

• 不得寫入或刪除 data/raw/ 內任何檔案。
• 不得自行執行 clean_survey.py。執行是使用者的事。
• 不得排除規則檔沒寫到的資料，即使它看起來像亂填。疑似情況寫進報告「建議人工確認」，不動。
• 不得填補、推估任何遺漏值。
• 不得計算分量表總分或任何統計量。

輸出：data/clean-report.md

| 步驟 | 依據（規則檔第幾條） | 處理前 N | 處理筆數 | 處理後 N |
表格下方：移除欄位清單、新增欄位清單、未涵蓋事項、建議人工確認清單
在專案資料夾啟動 claude，先打「盤點問卷」；對完 codebook、寫好規則檔之後，再打「清理問卷」。然後自己跑：

python analysis/clean_survey.py
報告長什麼樣
虛構數字：

步驟 依據 處理前 N 處理筆數 處理後 N
排除正式施測前填答 納入／排除第 1 條 92 3 89
排除重複 Email（保留最後一筆） 納入／排除第 2 條 89 2 87
排除量表全同一答案 納入／排除第 3 條 87 1 86
移除欄位：電子郵件地址 新增欄位：bo_03_r、bo_07_r（反向題）；unit_med、unit_surg、unit_icu、unit_er（多選拆欄） 未涵蓋：第 12 題「其他（請說明）」自由填答欄，規則檔未定義處理方式 建議人工確認：第 41 列年齡填 3（疑似漏打一位數）；第 58 列年資 35 年但年齡 28（邏輯矛盾）

最後那兩筆，三個月前的我會直接刪。現在它們留在 clean 裡、被列在報告上，等我拿計畫書決定。年齡填 3 的那筆，計畫書沒有定義「年齡不合理」算不算無效問卷——所以它現在還在。這不是工具不夠聰明，是我的計畫書當初沒想到。這一條要不要補進規則檔，我得先問老師，因為改了排除條件等於改了計畫書。

哪裡會出錯
它會順手清掉規則沒寫的東西。 第一版沒有「看起來像亂填也不動」那條，它在程式裡加了一段「移除年齡 < 18 或 > 70 的列」，註解寫「合理範圍」。合理範圍是誰定的？不是計畫書。這段程式碼我在逐條對規則的時候抓到，因為它對不到任何一條。這也是為什麼要求每段程式碼註解對應規則——對不到的就是它自己加的。

Likert 對應方向。 「非常同意=5」這件事我寫在規則檔裡，但它在盤點階段的建議備註寫了「非常同意=1」，因為訓練資料裡兩種都有。清理程式最後用的是規則檔的版本，但如果我沒寫規則檔，它會用它猜的那個，而且不會告訴我它在猜。

多選題的逗號。 Google 表單多選題用「, 」（逗號加空格）分隔，CSV 欄位用「,」分隔。第一版程式用 split(',') 切，「內科病房, 加護病房」切完第二個值前面多一個空格，變成「 加護病房」，跟「加護病房」對不上，拆欄結果全是 0。這種錯我是在 clean-report 看到 unit_icu 全部是 0 才發現的——報告裡的數字對不上 codebook 的次數，就一定有事。

看不見的 BOM。 Google 表單匯出的 CSV 開頭有一個看不見的 BOM 字元，第一欄欄名「時間戳記」讀進來會變成「時間戳記」，所有對欄名的比對全部失敗。（需作者補充：你是在哪一步發現的）。現在前置檢查第 3 條寫死了。

它想自己跑程式。 第一次它寫完程式之後直接問我「要執行嗎？」，我按了 y。程式跑完在 data/clean/ 產生了檔案——沒問題，但它同時「順便」在 data/raw/ 旁邊存了一份 survey_backup.csv。沒有壞事發生，但它碰了我說不能碰的資料夾。「不得自行執行」那條是這次之後加的：程式它寫，跑的人是我。

三週，四條線
第二週結束時我整理了三條線：它寫我核對、它報告我決定、它改副本我換正本。第三週的第一個工具畫了第四條：

它寫程式，程式產出副本，我跑程式、看報告、對規則。

多一層，是因為多一層的代價很低（跑一支程式），而少一層的代價是三個月後才發現的那種。文獻工作錯了是一筆引用錯；資料清理錯了，後面每一張表、每一個 p 值、每一段討論都建立在錯的東西上，而且看起來完全正常。

我還不確定的地方
「測試填答」的判定。目前靠時間戳記，正式施測日之前的都算測試。但我自己在正式施測日之後也填過一次確認表單沒壞，那筆用時間戳記抓不到，用 Email 可以（是我自己的），可是要把「我的 Email」寫進規則檔嗎？規則檔會跟程式一起交出去（需作者補充：你打算把 analysis/ 和規則檔當論文附錄，還是只留給老師看）。

遺漏值要在哪一步處理。清理階段我堅持不碰，但 Day 14 匯出 SPSS 時一定要決定遺漏值代碼（空白、−99、還是 9），而這個決定會影響 Day 15 之後所有分析。它到底是清理決定、匯出決定、還是分析決定，我還沒想清楚。

明天
Day 14：從 CSV 到統計軟體吃得下的樣子。變數名長度、值標籤、遺漏值代碼，以及一支產生 SPSS 語法檔的工具——輸出的不是 .sav，是能重生 .sav 的語法。