数据评估

在用数据做预测或训练模型之前，需要先了解数据质量是否过关。数据评估会检查时间戳、缺失值、序列平稳性和异常点，并从 完整性 和 可预测性 两个角度给数据打分，最终生成 综合评分。评估结果可以帮助你快速发现数据问题，判断数据是否适合用于后续建模与预测分析。

开始评估

进入数据评估页面后，选择需要评估的数据集，点击「开始评估」即可。

评估完成后，「最新评估结果」会展示本次评估时间、四项基础质量指标、完整性、可预测性和综合评分。评估记录会保留每次评估结果，可按数据集名称搜索，也可刷新列表查看最新状态。

四项基础质量指标用于定位数据中具体的质量问题：

指标	说明	如何解读
时间戳正确率	时间戳格式和排列顺序符合要求的数据占比	越高越好；较低时应检查时间格式、重复时间戳或时序错乱
缺失值率	数据中缺失点占全部数据点的比例	越低越好；较高时说明序列存在较多空洞，需要补齐或插值处理
平稳序列占比	数据集中相对平稳、适合建模的时间序列占比	通常越高，序列整体越稳定；仍需结合趋势、周期和业务场景判断
异常点率	极端值或异常波动点占全部数据点的比例	越低越好；较高时应确认异常来自数据质量问题还是实际业务事件

四项指标需要结合业务场景综合解读。例如，突发告警或设备启停产生的异常点可能是真实业务信号，不应仅根据异常点率直接删除。

这个分数告诉你：数据有没有缺、关键字段全不全。

传感器掉线、网络抖动、重复上报、字段缺失……这些问题都会让时间序列数据出现空洞、重复或结构不完整。完整性分数反映的就是这些问题的严重程度。

如果完整性分数低，后续的预测或分析结果会受到影响。建议先处理缺失值、重复数据、时间戳异常或关键字段不完整等问题，再继续建模。

这个分数告诉你：这条数据「有没有规律可循」。

有些数据天然有规律，比如每天固定时段的用电量、随季节变化的温度。有些数据则更像随机波动。可预测性分数反映的就是序列规律的强弱。

分数	意味着什么	建议
80–100	时序特征稳定，适合构建预测模型	适合建模
60–79	数据具有一定规律性，可进行预测分析，但模型效果可能受波动影响	可以尝试建模，结合业务判断结果
0–59	数据波动较大，预测难度较高	需要评估数据或预测策略

如果可预测性分数低，并不一定代表数据有问题，而是说明这条序列本身波动性强、难以预测。此时需要结合业务判断，决定是否引入其他变量辅助预测，或降低对预测精度的期望。

这个分数告诉你：这份数据整体是否适合继续用于建模和预测分析。

综合评分会结合完整性和可预测性，给出一个整体质量判断。它适合用来快速判断数据是否可以进入后续流程，也可以帮助确定需要优先治理的数据集。

分数	意味着什么	建议
80–100	数据质量良好，适合建模与预测分析	可优先使用
60–79	数据质量基本满足要求，治理后可获得更优效果	建议根据短板进行治理
0–59	当前数据不满足高质量建模要求，模型预测效果可能不稳定	建议完成治理后再建模

如果综合评分低，通常说明数据在完整性或可预测性上存在明显短板。建议结合四项基础质量指标查看明细结果，定位具体问题，再进行数据治理。

评估记录列表展示数据集的历次评估结果，包括四项基础质量指标、完整性、可预测性、综合评分、创建时间和耗时。指标未返回结果时显示「-」。

在记录右侧可以执行以下操作：

在评估记录中点击「查看」进入详情页。详情页包括评估进度、评分趋势和对象明细。

点击对象左侧的展开按钮可以查看下一级对象及各项评分。需要进一步分析时，可以导出 CSV，也可以切换为全屏查看表格。