疫情发展与数据标准化
最近一个月，每天早上第一件事就是看疫情进展情况。今天（20日）早上又看到了一个令人振奋的消息：武汉确诊病例终于降到了3位数！看到这个数字，真的令人高兴，让我感到春天来了。
有个数字却令很多人困惑：湖北新增确诊349例，而武汉新增615例。武汉是湖北的一部分，湖北的新增怎么会少于武汉？原来，“新增确诊”的定义是：昨天真正新增的数字，减去昨日纠正的误诊（核减）。昨天湖北多地的增量是负数，武汉新增确诊就大于了湖北。这个算法已经有几天了，但过去很多人没有注意到。
我想，大家关心真正的“新增确诊”是多少。因为这个数字能体现疫情的发展情况。如果按照前面的方法计算，数据的指标意义就会大大下降。
我们设想：如果这样计算，一个地方可能有10人真正确诊，又纠正了过去10个误诊。结果就是新增却是零。如果各级、各地都这么算，就更是一笔糊涂账了。我们假设某个镇有两个村；甲村真正确诊10人、纠正8人，则新增确诊是2人；乙村真正确诊8人、纠正10人；核减2人。这样，这个镇真正确诊18人，但上报新增数却是0。如果各地按照自己的核算标准层层上报，恐怕连卫生主管部门都不清楚疫情到底发展到什么情况。
而且，前些天确诊人数的基数大、核减的人数也会多。如果这么计算，就会存在这种可能性：各地新增人数都不增加，而疫情却仍然严重？基于这样的分析，就会得到错误的结果、并导致人们采取错误的行动。
我搞了很多年的数据分析，数据内涵模糊的情况特别多。前些年，一位老领导想统计一下前一年科技项目准时结题的数目。结果却发现很难。一个原因就是对“结题”的定义不明确：可以是项目打报告确认可以结题的时间、可以是开评审会的时间、可以是评审结果确认时间、可以是领导签字时间、可以是归档完成的时间......
昨天晚上，有位师弟问我：搞数据分析的时候，是数据重要还是算法重要。我毫不犹豫地告诉他：多数情况下，是数据重要。只有数据能够代表真实和科学的时候，数据分析才是有价值的。
