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
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
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~0266cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-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。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K

deepin linux kernel
C
22
6

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
192
273

🎉 (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
923
551

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
421
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64

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
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8