在溫度 - 修正系數校準的數據處理中，異常值和缺失值的處理直接影響修正模型的準確性，需結合統計方法和校準場景特性科學處理，避免因數據偏差導致擬合公式失真。以下是具體方法和操作原則：

一、異常值的處理：識別與剔除

異常值是指偏離數據集整體趨勢的及端值（如因溫度波動、氣泡干擾、操作失誤導致的錯誤數據），處理步驟包括 “識別→驗證→剔除 / 修正"：

1. 異常值的識別方法

統計法（常用）：

3σ 原則：對同一溫度 - 濃度組合下的重復測量值（如 5 次），計算平均值（μ）和標準差（σ），若某數據滿足 “|x - μ|> 3σ"，則判定為異常值（適用于數據近似正態分布的場景）。
示例：5 次測量值為 [0.03, 0.02, 0.04, 0.10, 0.03]，μ=0.044，σ=0.034，0.10 滿足 “0.10 - 0.044 = 0.056 > 3×0.034=0.102？不，0.056 < 0.102，此處舉例調整為 0.15，則 0.15-0.044=0.106>0.102，判定為異常）。

格拉布斯檢驗（Grubbs' test）：更嚴格的統計方法，通過計算統計量 G = |x - μ|/σ，與臨界值（根據樣本量和置信水平查表）對比，若 G > 臨界值，則為異常值（適用于小樣本，如 n=3~10）。

經驗法（輔助判斷）：
結合校準場景的物理意義判斷，例如：

0 NTU 標準液（超純水）的測量值突然跳升至 0.1 NTU 以上，可能是鏡片污染或氣泡干擾，判定為異常；

溫度穩定后，同一濃度的測量值波動超過 ±0.05 NTU（高精度場景），可能是設備故障，需排查后重新測量。

2. 異常值的處理原則

可溯源的異常值：若明確因操作失誤（如標準液污染）、設備波動（如恒溫槽跳變）導致，直接剔除，并用剩余數據重新計算均值（需確保剩余樣本量≥3 次，否則需重新測量）。

疑似異常值：若無法確定原因，可通過 “重復測量" 驗證 —— 對該溫度 - 濃度組合重新測量 3 次，若新數據與原非異常值一致，則剔除原異常值；若新數據仍波動大，需檢查傳感器狀態（如清潔度、光源穩定性）。

禁止直接修改異常值：不得為 “擬合效果" 人為調整異常值，需保留原始記錄（如在備注欄標注 “第 4 次測量因氣泡干擾剔除"），確保數據可追溯。

二、缺失值的處理：補全與標記

缺失值指因設備故障、記錄遺漏或樣本污染導致的部分數據缺失（如某溫度點的 10 NTU 數據未記錄），處理需根據缺失原因和影響范圍選擇方法：

1. 缺失值的補全方法

直接補測（優先）：若缺失數據量少（如 1 個溫度點的 1 組濃度），且校準過程可重復，必須重新測量補全，避免因數據缺失導致擬合公式偏差（尤其關鍵溫度點，如 25℃常溫）。

插值法（無法補測時）：

線性插值：適用于溫度點連續且趨勢穩定的場景，例如：已知 15℃時 10 NTU 的 K 值為 0.98，25℃時為 1.015，缺失 20℃數據，則插值 K = 0.98 + (20-15)/(25-15)×(1.015-0.98) = 0.9975。

鄰近均值法：若缺失點附近有多個數據（如缺失 30℃，但 25℃和 35℃數據完整），取鄰近兩點的均值作為補值（適用于溫度變化平緩的場景）。

模型預測法（輔助）：若已建立初步擬合公式，可通過公式預測缺失值，但需在結果中注明 “該值為模型預測，非實測"，且后續需補測驗證。

2. 缺失值的處理原則

關鍵數據不允許缺失：傳感器量程覆蓋的核心溫度點（如 10~30℃）和關鍵濃度點（如 0 NTU、1 NTU、10 NTU）必須完整，否則需終止校準，排查原因后重新進行。

缺失比例控制：若缺失數據占總數據量的比例超過 10%（如 100 組數據缺失 10 組以上），校準結果不可靠，需重新開展校準，避免擬合公式因數據不足導致偏差。

明確標記缺失來源：在數據表格中用 “NA" 標注缺失值，并在備注欄說明原因（如 “20℃時設備斷電導致數據缺失"），方便后續追溯。

三、處理后的驗證與記錄

驗證處理效果：
異常值剔除或缺失值補全后，需重新計算均值和擬合公式，對比處理前后的擬合優度（R2）—— 若 R2 顯著提升（如從 0.95 升至 0.99），說明處理有效；若變化不大或下降，需檢查是否誤判異常值。

完整記錄處理過程：
在校準報告中詳細記錄：

異常值的識別方法、剔除依據及原始值；

缺失值的補全方法（如插值公式、補測時間）；

處理前后的數據對比（如均值變化、擬合參數調整）。

總結

異常值處理的核心是 “基于統計和物理意義的客觀剔除"，避免及端值扭曲趨勢；缺失值處理的核心是 “優先補測，謹慎插值"，確保數據完整性。二者均需以 “不人為干預真實趨勢" 為原則，并通過記錄和驗證保證處理過程的可追溯性，最終為溫度 - 修正系數的準確性奠定基礎。