简介：面向社会科学、市场研究与健康科学领域的统计初学者与数据分析从业者，这套SPSS配套数据文件可解决学习过程中缺少可上手练习素材的问题，帮助读者在真实数据上完成从数据清洗到统计建模的完整流程。压缩包共84个文件，约461KB，以74个sav数据文件为主体，覆盖描述统计、t检验、方差分析、相关与回归、聚类判别等章节案例；另含6个xls表格、2个txt文本、1个xml目录文件与1个mdb数据库，用于演示多格式数据导入与外部数据源连接。已有1378人学习下载，说明其作为练习素材具备一定认可度。资源按章节组织目录，案例数据与教程章节一一对应，读者可据此复现书中的分析步骤，练习缺失值与异常值处理、图表绘制及Syntax脚本自动化，在动手实践中理解不同统计方法的适用场景，逐步建立规范的数据分析思路。
1. 拿到一份 SPSS 数据文件，先别急着双击打开
很多人第一次接触.sav文件，是在课程作业或者同事交接的压缩包里。双击之后 SPSS 弹出一个窗口，变量视图里一堆VAR00001、VAR00002，数据视图里全是数字，标签、缺失值、测量尺度一概没有。这时候直接跑描述统计，出来的均值可能把-99当成真实值算进去，结论就废了。这份「SPSS数据分析数据文件」资源，核心价值不在于文件本身有多大，而在于它提供了一套带变量定义、值标签、缺失值声明的结构化数据，能让你跳过「猜字段」这一步，直接进入分析流程。适合三类人：统计课要做作业但不想自己录数据的学生、需要快速验证分析思路的从业者、以及想把 SPSS 文件转成 Python/R 可读格式的数据工程人员。下面按「文件里有什么 → 怎么读进来 → 怎么清洗 → 怎么跑分析 → 坑在哪」的顺序拆。
2. 拆开 .sav 文件：变量视图里藏着什么
2.1 .sav 不是普通表格，它是带元数据的二进制容器
很多人把.sav当成 Excel 的另一种后缀，这是第一个认知偏差。.sav是 SPSS 的专有二进制格式，一个文件里同时存了三层东西：数据矩阵（每个单元格的值）、变量字典（变量名、类型、宽度、小数位、标签、值标签、缺失值定义、测量尺度、列宽对齐方式）、以及可选的输出文档和脚本。你看到的「数据视图」只是最表层，真正决定分析结果对不对的是「变量视图」那一列Measure（测量尺度）和Missing（缺失值）。
举个具体例子：性别字段存的是1和2，值标签写着1=男, 2=女。如果你不读值标签，直接对性别求均值，得到 1.47，这个数字没有任何意义。再比如收入字段用-99表示「拒答」，如果没在缺失值里声明，SPSS 会把它当真实收入参与计算，均值直接被拉低。所以拿到文件的第一动作不是跑分析，是打开变量视图逐列核对：变量名是否可读、值标签是否完整、缺失值是否声明、测量尺度是 Scale/Ordinal/Nominal 中的哪一个。
常见做法是先用一段语法把变量字典导出来看一遍，比在界面上一个个点快得多：
* 导出变量字典到输出窗口，快速核对元数据. DISPLAY DICTIONARY /VARIABLES ALL.这段语法会把每个变量的名称、标签、值标签、缺失值、测量尺度全部列在输出里。DISPLAY DICTIONARY是只读操作，不改数据，适合作为接手任何陌生.sav文件的第一步。参数上VARIABLES ALL表示全部变量，如果文件变量很多（几百列），可以换成VARIABLES id age income只查关键列，避免输出刷屏。
2.2 用 Python 读 .sav：pyreadstat 比 pandas 更稳
实际工作中经常需要在 SPSS 之外处理数据，比如用 Python 做批量清洗或者接机器学习流程。pandas的read_spss底层依赖pyreadstat，但直接调pyreadstat能拿到更完整的元数据，尤其是值标签和缺失值定义，这对后续编码至关重要。
import pyreadstat # 读取 .sav，同时拿到数据框和元数据. df, meta = pyreadstat.read_sav( "survey_data.sav", apply_value_formats=False, # 先不套值标签，保留原始编码便于核对 formats_as_category=False ) # 查看变量标签和值标签. print(meta.column_names) print(meta.column_labels) print(meta.variable_value_labels) # 字典：变量名 -> {编码: 标签} print(meta.missing_ranges) # 缺失值范围定义这里几个参数值得说清楚。apply_value_formats=False让返回的仍是原始数字编码，而不是把1替换成「男」；做统计建模时数字编码更好用，做报表展示时再套标签。formats_as_category=False避免 pandas 自动转成 category 类型，减少后续类型转换的麻烦。meta.variable_value_labels返回的是嵌套字典，比如{'gender': {1.0: '男', 2.0: '女'}}，拿到它之后可以自己决定哪些列需要映射成文字。meta.missing_ranges会告诉你哪些变量声明了缺失值范围，比如{'income': [(-99.0, -99.0)]}，清洗时按这个范围把值置为NaN，而不是拍脑袋写df[df.income == -99]。
如果文件是.por（Portable 格式）或.sas7bdat，pyreadstat也有对应的read_por、read_sas7bdat，接口一致，换函数名即可。这一点在混合数据源的项目里很省事。
2.3 变量测量尺度决定你能跑什么检验
SPSS 把变量分成 Scale（连续）、Ordinal（有序）、Nominal（名义）三类，这个分类不是装饰，它直接影响菜单里哪些分析可用。比如「交叉表」要求行变量和列变量都是分类变量，如果你把一个连续变量误标成 Nominal，交叉表会把它每个取值当成一个类别，输出几十行表格，完全没法看。反过来，把有序变量标成 Scale，做相关分析时会把等级当等距处理，Spearman 和 Pearson 的结果就混了。
接手文件后建议做一次测量尺度审计：连续型（年龄、收入、量表总分）标 Scale；等级型（满意度五级、教育程度）标 Ordinal；分类型（性别、地区、是否）标 Nominal。在 Python 里可以用meta.variable_measure读出来核对，SPSS 语法里用VARIABLE LEVEL批量重设：
* 批量修正测量尺度，避免分析菜单选错. VARIABLE LEVEL age income score (SCALE) satisfaction education (ORDINAL) gender region flag (NOMINAL).VARIABLE LEVEL只改元数据不改值，执行后变量视图里的「测量」列会同步更新。这一步在交付分析报告前值得强制走一遍，因为测量尺度错了，后面所有检验的假设前提都站不住。
3. 清洗与编码：把 -99 和空值处理干净
3.1 缺失值三件套：声明、替换、记录
缺失值处理翻车的根源，是把「系统缺失」（用户没填，单元格为空）和「用户缺失」（填了 -99、999、-1 这类约定编码）混为一谈。SPSS 里前者显示为一个点.，后者是真实数字。如果不把用户缺失声明出来，MEANS、DESCRIPTIVES、回归全都会把它当有效值。
标准流程分三步。第一步在变量视图的Missing列声明用户缺失值，比如收入声明-99，满意度声明-1。第二步用语法批量替换成系统缺失，便于统一处理：
* 把用户缺失编码替换为系统缺失. RECODE income satisfaction (ELSE=COPY) (-99=-1 THRU -1=SYSMIS). EXECUTE. * 核对替换后各变量有效样本量. DESCRIPTIVES VARIABLES=income satisfaction /STATISTICS=MEAN STDDEV MIN MAX.RECODE ... (ELSE=COPY)表示其余值原样保留，(-99=-1 THRU -1=SYSMIS)把 -99 到 -1 区间统一转成系统缺失。注意区间写法要小心，如果真实数据里存在合法的负值（比如温度、盈亏），这个区间会误伤，所以更稳妥的做法是逐个变量精确指定(-99=SYSMIS)。EXECUTE让转换立即生效，不加的话转换会挂起，后续统计读到的是旧值，这是新手常踩的坑。
第三步是记录缺失模式。做多重插补或者写报告时，需要知道每个变量缺了多少、缺失是否随机。SPSS 的MISSING VALUES配合FREQUENCIES能快速出缺失率，Python 里用df.isna().mean()一行搞定。缺失率超过 30% 的变量要考虑剔除或单独说明，别硬插补。
3.2 值标签与编码映射：别让 1 和 2 在模型里乱跑
分类变量进回归或机器学习之前，必须明确编码方向。SPSS 的值标签只影响显示，不影响底层数字，所以1=男, 2=女在 logistic 回归里默认以较大编码为参照组还是事件组，取决于具体过程设置，不核对就会把系数方向解释反。
一个稳妥习惯是：在变量视图里把值标签写全，同时在 Python 侧建一个显式映射字典，两边对齐。
# 显式编码映射，避免方向歧义. gender_map = {1: "male", 2: "female"} df["gender_label"] = df["gender"].map(gender_map) # 检查是否有未映射的编码（脏数据信号）. unmapped = df[df["gender_label"].isna() & df["gender"].notna()] print(f"未映射记录数: {len(unmapped)}")map之后如果出现NaN但原值非空，说明数据里存在映射表没覆盖的编码，比如混进了0或3，这往往是录入错误或者多版本问卷合并留下的。这个检查比直接value_counts()更早暴露问题，因为value_counts只会告诉你有个3，不会告诉你它「不该存在」。
3.3 用语法而不是菜单：可复现的清洗脚本
界面点选的问题是不可复现。同一份数据，换个人点，顺序不同、选项不同，结果就对不上。清洗阶段建议全部用语法写，存成.sps文件，下次换一批数据改个文件名就能重跑。
* 完整清洗脚本骨架：读入 -> 声明缺失 -> 重编码 -> 派生变量 -> 保存. GET FILE='survey_raw.sav'. MISSING VALUES income (-99) satisfaction (-1). RECODE income (-99=SYSMIS). EXECUTE. COMPUTE age_group = 1. IF (age >= 30 AND age < 45) age_group = 2. IF (age >= 45) age_group = 3. VARIABLE LABELS age_group '年龄分组'. VALUE LABELS age_group 1 '30岁以下' 2 '30-44岁' 3 '45岁及以上'. VARIABLE LEVEL age_group (ORDINAL). EXECUTE. SAVE OUTFILE='survey_clean.sav'.COMPUTE加IF的写法是 SPSS 派生变量的标准套路，注意IF是顺序覆盖，后写的条件会覆盖前面的赋值，所以条件要从宽到窄或者互斥。VALUE LABELS和VARIABLE LEVEL紧跟在派生之后写，保证新变量和原变量元数据风格一致。最后SAVE OUTFILE另存，原始文件不动，这是数据处理的底线。
4. 跑分析：从描述统计到回归的落地路径
4.1 先描述再推断，别跳步
拿到清洗后的数据，第一轮永远是描述统计：连续变量看均值、标准差、偏度、峰度、极值；分类变量看频次和占比。这一步不是为了出报告，是为了发现异常。比如某个量表总分最大值超出理论范围，说明有录入错误或者反向题没反转；某个分类变量某一类占比 95%，说明样本严重偏斜，后续分组比较没意义。
* 连续变量描述 + 分类变量频次. DESCRIPTIVES VARIABLES=age income score /STATISTICS=MEAN STDDEV MIN MAX KURTOSIS SKEWNESS. FREQUENCIES VARIABLES=gender education satisfaction /BARCHART.DESCRIPTIVES的KURTOSIS SKEWNESS用来判断正态性，偏度绝对值超过 1 就要考虑变换或者用非参数方法。FREQUENCIES加/BARCHART直接出条形图，比单独画图快。注意FREQUENCIES对连续变量会输出每个取值的频次，变量一多输出爆炸，所以只对分类变量用。
4.2 组间比较：t 检验和方差分析的选型边界
两组比较用独立样本 t 检验，三组及以上用单因素方差分析，这个大家都知道。容易翻车的是前提假设：t 检验要看方差齐性（Levene 检验），方差不齐时读校正后的 t 和自由度；方差分析要看组间方差齐性和残差正态性，不满足时用 Welch 方差分析或者 Kruskal-Wallis。
* 独立样本 t 检验，同时输出 Levene 检验. T-TEST GROUPS=gender(1 2) /VARIABLES=score /CRITERIA=CI(.95). * 单因素方差分析 + 事后多重比较. ONEWAY score BY education /STATISTICS=DESCRIPTIVES HOMOGENEITY /POSTHOC=TUKEY ALPHA(0.05).T-TEST输出里第一张表就是 Levene 检验，Sig.小于 0.05 说明方差不齐，读第二行「不假定等方差」的 t 值。ONEWAY的HOMOGENEITY输出方差齐性检验，POSTHOC=TUKEY在方差齐时用，方差不齐时换成GAMES-HOWELL。事后比较方法选错，p 值会偏乐观，这是审稿意见里高频出现的问题。
4.3 回归建模：变量进入方式和共线性检查
线性回归在 SPSS 里用REGRESSION，关键选项是变量进入方式（Enter/Stepwise）和共线性诊断。Enter是一次性全部进入，适合有理论依据的模型；Stepwise按统计显著性逐步筛选，适合探索但容易过拟合，报告里要说明用了哪种。
* 多元线性回归 + 共线性诊断 + 残差图. REGRESSION /DESCRIPTIVES MEAN STDDEV CORR SIG N /MISSING LISTWISE /STATISTICS COEFF OUTS CI(95) R ANOVA COLLIN TOL /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT score /METHOD=ENTER age income education /SCATTERPLOT=(*ZRESID ,*ZPRED) /RESIDUALS DURBIN HISTOGRAM(ZRESID).COLLIN TOL输出 VIF 和容忍度，VIF 超过 10（严格点超过 5）说明共线性严重，要考虑删变量或者做主成分。SCATTERPLOT=(*ZRESID, *ZPRED)画残差对预测值散点图，看是否呈喇叭形（异方差）或曲线（非线性）。RESIDUALS DURBIN输出 Durbin-Watson 统计量，接近 2 说明残差独立，偏离太多提示自相关，时间序列数据尤其要看。MISSING LISTWISE表示整行删除缺失，样本量小时会损失很多信息，可以考虑先做多重插补再回归。
5. 避坑与排查：五个真实翻车现场
5.1 现象：均值明显偏离常识，原因：用户缺失没声明
跑DESCRIPTIVES发现收入均值只有两千多，但样本是城市在职人群。查变量视图，收入列的Missing是空的，而数据里大量-99。原因就是用户缺失编码没声明，被当真实值参与计算。解决：在变量视图Missing列填-99，或者用MISSING VALUES income (-99)语法声明，重跑描述统计。养成习惯：接手任何.sav，先DISPLAY DICTIONARY看缺失值列是否为空。
5.2 现象：t 检验 p 值很小但结论不敢写，原因：方差不齐读了错误的行
T-TEST输出两张表，新手常直接读第一行「假定等方差」的 p 值。如果 Levene 检验Sig.小于 0.05，第一行就不该用，要读第二行。更隐蔽的情况是两组样本量差异很大（比如 30 对 300），方差不齐时第一行的 t 检验偏保守或偏激进，结论方向可能反。解决：每次 t 检验先看 Levene，方差不齐读校正行，并在报告里注明用了哪种。
5.3 现象：回归系数符号和预期相反，原因：分类变量参照组没设对
把性别（1=男，2=女）直接放进回归，系数为正，解释成「女性得分更高」，但实际数据是男性更高。原因是 SPSS 默认以编码最大的类别为参照，或者取决于CONTRAST设置，方向容易搞反。解决：用RECODE显式重编码成 0/1，0 为参照组，或者在REGRESSION里用/CONTRAST(gender)=INDICATOR(1)指定参照。报告里写清楚参照组是谁，别让读者猜。
5.4 现象：语法跑完数据没变，原因：忘了 EXECUTE
写了一段RECODE或COMPUTE，跑完看数据视图还是老样子。SPSS 的转换命令默认挂起，等下一个过程命令或者EXECUTE才真正执行。解决：每个转换块末尾加EXECUTE.，或者在转换后紧跟一个FREQUENCIES之类的过程命令触发执行。批量脚本里统一在关键节点加EXECUTE，别指望它自动生效。
5.5 现象：Python 读进来中文全是乱码，原因：编码没指定
pyreadstat.read_sav默认按文件内声明的编码读，但有些老文件或者跨系统生成的文件编码声明缺失，中文变量标签读出来是问号或乱码。解决：加encoding="utf-8"参数显式指定，如果仍乱码试"gbk"或"latin1"逐个排查。读完后用meta.column_labels打印前几个标签确认，别等分析做完才发现标签全错。
6. 进阶：把 .sav 接进 Python 分析流水线并做交叉验证
单次分析用 SPSS 界面或语法都行，但如果同一套问卷每月来一批，手工点选就不可持续了。我一般的做法是把.sav读取、清洗、建模封装成一个 Python 脚本，SPSS 只用来做最终核对和出规范表格。这样既保留了 SPSS 在统计报告上的便利，又拿到了 Python 的批处理和版本管理能力。
关键技巧是「双跑核对」：同一份清洗后的数据，SPSS 跑一遍描述统计和回归，Python 用statsmodels跑一遍，对比系数、标准误、p 值。两边结果在缺失值处理和分类变量参照组设置一致的前提下应该高度接近，如果差很多，八成是某一边的缺失值或编码没对齐。这个核对流程帮我抓到过好几次「SPSS 里声明了缺失但 Python 侧没同步」的问题。
import pyreadstat import statsmodels.api as sm df, meta = pyreadstat.read_sav("survey_clean.sav", encoding="utf-8") # 按元数据里的缺失范围置 NaN，和 SPSS 侧声明保持一致. for var, ranges in meta.missing_ranges.items(): for lo, hi in ranges: df.loc[(df[var] >= lo) & (df[var] <= hi), var] = None # 构造设计矩阵，分类变量做哑变量，drop_first 对齐 SPSS 参照组习惯. X = df[["age", "income", "education"]].copy() X = sm.add_constant(X) y = df["score"] model = sm.OLS(y, X, missing="drop").fit() print(model.summary())missing="drop"对应 SPSS 的LISTWISE，保证两边样本一致。sm.add_constant加截距项，SPSS 回归默认含截距，不加的话常数项对不上。分类变量如果多于两类，用pd.get_dummies(..., drop_first=True)生成哑变量再进模型，参照组就是被 drop 的那一类，和 SPSS 的INDICATOR默认行为对齐。跑完对比model.params和 SPSS 输出的非标准化系数 B，差异应该在浮点误差范围内。
还有一个实用技巧：把变量字典导出成 CSV 存档，每次数据更新后 diff 一下，能快速发现新增变量、标签改动、缺失值声明变化。数据版本管理做到这个粒度，半年后回头看某次分析用了哪版数据、哪版编码，不用靠记忆。
从那以后我每次接手.sav文件，都强制先跑一遍DISPLAY DICTIONARY加缺失值核对，再动任何分析命令。这个习惯省下的返工时间，远比多花的那五分钟值。希望帮到你。
本文还有配套的精品资源，点击获取
