首页
/ SDV项目多表医疗数据合成中的NaN值问题分析与解决

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:

  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。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
261
RuoYi-Vue3RuoYi-Vue3
🎉 (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-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
openHiTLSopenHiTLS
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开源商城ShopXO开源商城
🔥🔥🔥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
Cangjie-ExamplesCangjie-Examples
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
HarmonyOS-ExamplesHarmonyOS-Examples
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
note-gennote-gen
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
CangjieCommunityCangjieCommunity
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
kernelkernel
deepin linux kernel
C
22
5