综述：古生物学中清理化石出现数据应遵循的十条简单规则

《Palaeontology》：Ten simple rules to follow when cleaning occurrence data in palaeobiology

　　本文为古生物数据分析提供了系统性的数据清洗指南，针对化石出现数据（fossil occurrence data）的独特属性提出十条实用规则，涵盖项目规划（规则1-3）、数据探索与清洗（规则4-8）、成果报告与存档（规则9-10）全流程。作者通过鳄类生物地理学案例演示标准化操作流程，强调数据透明度与可重复性（reproducibility）对PBDB（Paleobiology Database）、Neotoma等大型数据库分析的重要性，为处理分类学（taxonomy）、地层学（stratigraphy）和地理坐标不一致性等问题提供方法论支持。

　　

规则一：选择与研究问题匹配的数据

研究伊始需明确数据需求，包括分类学层级（物种/属/科）、时间分辨率（精细地层或宽泛时期）和地理覆盖范围。例如全球古生物地理学研究需规避北美、欧洲的采样偏差，而物种级生态互动需确保种级鉴定可靠性。数据库选择应匹配研究目标：PBDB适合宏演化分析，Neotoma专注第四纪古生态，GBDB支持高分辨率地层研究。数据过滤（filtering）与清洗（cleaning）需严格区分——前者移除研究范围外数据（如海洋生物对陆地多样性研究），后者修正错误信息（如误标为海洋生物的鳄类）。

规则二：保持原始数据的原始性

下载数据后应立即创建只读备份，避免软件自动格式化（如Excel日期转换）导致数据失真。原始数据需采用非专有格式（如UTF-8编码的CSV）存储，并通过版本控制（如GitHub）或静态归档（如Zenodo）确保长期可获取。动态数据库（如PBDB持续更新分类观点）需通过DOI快照固化数据版本，防止后续修改影响分析复现。

规则三：系统记录工作流程

推荐使用编程脚本（R/Python）替代手动表格操作，实现可追溯的数据转换流程。代码注释应阐明每个步骤的决策依据（如分类学更新理由），辅以工作流工具（SnakeMake/Galaxy）自动化流程。示例显示可通过R包^palaeoverse的tax_check()函数记录拼写校正过程，而OpenRefine可生成手动清理的可重复日志。

规则四：探索性数据分析先行

通过分布直方图、散点矩阵（GGally包）等可视化工具检验数据特征。例如检查分类等级分布时发现28%鳄类化石仅鉴定到属级，提示属级多样性分析更稳健；地理坐标映射意外显示南极记录需核查。相关矩阵可揭示地层年龄与坐标的异常关联，而^palaeoverse的tax_unique()函数能识别因未定种（indet.）导致的“隐性多样性”。

规则五：处理不完整记录

缺失数据需区分“无法获取”（如碎片化石无地层信息）与“可推断”（通过坐标反推国家）。坐标缺失记录应移除而非插补，而“NA”值需验证是否真实缺失（如纳米比亚国家代码NA被误判为缺失值）。插补法（如mice包的多重插补）适用于连续变量（如气候数据），但可能引入偏差，需在文档中说明影响。

规则六：识别与处理异常值

年龄异常值（如单条记录使类群延展数百万年）可通过“Pacman法”（fossilbrush包）比对生物地层标准范围。地理异常采用凸包算法（CoordinateCleaner包）标记远离主体分布的坐标（如南极鳄类记录），并结合文献核查其合理性（是否属鉴定不确定标本）。统计策略上可使用95%分位数替代极值，或通过自助法（bootstrapping）削弱异常值影响。

规则七：解决数据不一致性

格式不一致（如地层名“San Sebastián”与“San Sebastian”）需通过文献核查统一，同时保留原列供比对。分类学争议（如Ptychopariida目这类“废纸篓类群”）需依据最新分类方案（Adrain, 2011）标准化。R包^fossilbrush可自动标记地层与分类冲突，但需研究者结合专业知识最终裁定。

规则八：剔除重复记录

完全重复（所有字段相同）可通过dplyr::distinct()直接去重，而近似重复（同一化石被不同贡献者以细微差异录入）需联合多字段（参考文献+坐标+地层）判定。示例中通过比对collection_no与accepted_name组合发现24条绝对重复。跨数据库合并（如GBIF与PBDB）时需特别注意去重，避免同一标本多次计数。

规则九：全面报告清洗过程

方法部分需详述清洗前后数据量变化（如886条→862条）、移除记录的具体原因（如南极不确定标本的剔除），并附流程图说明决策路径。补充材料应包含PRISMA式筛选记录、数据摘要统计（如分类等级比例、国家分布），以及使用的R包版本引用（如palaeoverse 1.0.0）。

规则十：数据与工作流归档

原始数据、清洗后数据、分析脚本及元数据（Darwin Core标准）应存入持久化仓库（如Dryad/Zenodo），并选用合适许可（数据用CC0，代码用MIT）。元数据需明确字段定义（如min_ma指最小数值年龄，单位百万年），通过DOI实现数据引用，保障研究可重复性。

这套方法论体系通过标准化流程提升古生物学大数据研究的可靠性，尤其助力新手研究者规避常见陷阱，推动领域向更高透明度与协作性发展。