SDV项目多表医疗数据合成中的NaN值问题分析与解决
2025-06-30 03:03:19作者:昌雅子Ethen
问题背景
在使用SDV(Synthetic Data Vault)的HMASynthesizer进行多表医疗数据合成时,用户遇到了一个棘手的问题:在原始数据中不存在缺失值的情况下,合成数据中却出现了NaN(Not a Number)和NaT(Not a Time)值。这一问题主要出现在两个子表中:
- 医疗表(med):在日期字段(FromDate, ToDate, PaidDate)出现NaT
- 药品表(pharm):在日期字段(FillDate)和数值字段(MR_Allowed, MR_Paid, Days_Supplied, Qty_Dispensed)出现NaN/NaT
数据模型分析
该医疗数据集包含三个关联表,通过Member_ID字段建立关系:
- 会员表(mem):包含会员基本信息,如ID、出生日期、性别和暴露月数
- 医疗表(med):包含医疗诊断信息,如诊断代码、就诊日期和费用
- 药品表(pharm):包含药品处方信息,如药品代码、配药日期和数量
问题排查过程
初步分析
开发团队首先确认了以下几点:
- 合成器确实在重建原始数据中存在的NDC和IDC代码,没有生成无效代码
- 对于特定会员,药品与诊断之间的关联关系不够真实
- 原始数据确实不存在缺失值,但合成数据却产生了NaN/NaT
环境验证
团队建议用户检查Python环境,确认SDV版本是否为1.10.0,并验证其他依赖库(pandas, numpy等)的版本兼容性。同时建议使用load_csvs
函数规范加载数据,避免数据读取过程中引入问题。
参数设置影响
发现用户代码中设置了default_distribution
为'truncnorm',这可能是问题的诱因之一。在SDV 1.10.0版本中,默认参数已经优化,不再需要特别指定分布类型。
解决方案
经过多次测试和验证,最终确定以下解决方案:
- 升级到SDV 1.10.0:确保使用最新版本,其中已修复相关NaN值生成的bug
- 简化参数设置:移除不必要的
set_table_parameters
调用,特别是避免手动设置分布类型 - 数据类型检查:确保数值字段在Python中为float类型,而非int类型
- 诊断报告验证:使用
run_diagnostic
生成评估报告,确认数据质量
技术原理
该问题的根本原因在于SDV在处理数值和日期字段时的边界条件控制。当使用截断正态分布('truncnorm')时,在某些边缘情况下可能生成超出有效范围的值,导致转换失败而产生NaN。新版本通过以下改进解决了这一问题:
- 更严格的边界值控制
- 优化的数值转换流程
- 增强的异常处理机制
最佳实践建议
基于这一案例,我们总结出以下使用SDV进行多表数据合成的最佳实践:
- 版本管理:始终使用最新稳定版的SDV
- 参数简化:除非有特殊需求,否则使用默认参数
- 数据预处理:确保输入数据格式规范,特别是日期和数值类型
- 质量评估:生成后务必运行诊断报告验证数据质量
- 逐步测试:先在小规模数据上验证,再扩展到全量数据
通过遵循这些实践,可以显著提高医疗等多表数据合成的质量和可靠性,避免类似NaN值问题的出现。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~042CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0298- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
261

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
858
511

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
258
298

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

deepin linux kernel
C
22
5