SDV项目多表医疗数据合成中的NaN值问题分析与解决

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：

1. 医疗表(med)：在日期字段(FromDate, ToDate, PaidDate)出现NaT
2. 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：

1. 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
2. 医疗表(med)：包含医疗诊断信息，如诊断代码、就诊日期和费用
3. 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：

1. 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
2. 对于特定会员，药品与诊断之间的关联关系不够真实
3. 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：

1. 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
2. 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
3. 数据类型检查：确保数值字段在Python中为float类型，而非int类型
4. 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：

1. 更严格的边界值控制
2. 优化的数值转换流程
3. 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：

1. 版本管理：始终使用最新稳定版的SDV
2. 参数简化：除非有特殊需求，否则使用默认参数
3. 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
4. 质量评估：生成后务必运行诊断报告验证数据质量
5. 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。