Chronic Kidney Disease (UCI) (chronic-kidney-disease-uci) — AI-Ready Wikipedia

INFOBOX — Chronic Kidney Disease (UCI) 一屏速览

维度	内容
本质	400 例肾内科患者的 24 项临床检验/体格检查指标 + 1 个二分类标签（ckd/notckd）的表格数据集
出处	UCI Machine Learning Repository ID 336；DOI 10.24432/C5G020；license CC BY 4.0
捐赠	L. Rubini、P. Soundarapandian、P. Eswaran，2015-07-02 捐赠；2024-03-04 元数据更新
医院	Apollo Hospitals（印度泰米尔纳德邦）；城市三源三口径（Managiri/Manamadurai/Karaikudi，见坑 6）
规模	401 行×25 列 CSV（45,092 字节）；24 特征+class；五组特征体系（人口学/尿液/血生化/血液学/合并症）
标签	ckd 250 / notckd 150（归一口径 62.5%/37.5%，中度不平衡）；原样含 2 例 ckd\t 脏标签
缺失	1012/10000 格 = 10.12%；24 列全有缺失；零缺失完整行仅 158（39.5%）；重复行 0
极端值	bgr 22 mg/dl、sc 76 mg/dl、pot 47 mEq/L 等（疑小数点错位，官方未注，见坑 7）
基准	无官方伴生论文、无官方榜单；社区基准 Qin 2019 RF 99.75%/集成 99.83%（被引 379+）、Chittora 2021 DNN 99.6%、ANFIS-PSO 2026 单分割 100% vs 5 折 CV 87.00%
数据学真相	150 例 notckd 在 al/su/htn/dm/cad/appet/pe/ane 等 9 列上取值完全规则——任务近乎规则可分，是 99%+ 论文扎堆的根源（§5.4）
获取	官方页/API/data.csv 三通道全通（§6）；旧版 .arff 路径全 404，官方 zip 内是 .rar（坑 5）
教学定位	与 Iris、Heart Disease、Pima 同级的教科书级小数据；"缺失值+不平衡+特征工程"三合一教学样本
库内互链	parkinsons-voice-uci (444)、drug-reviews-uci (485)、mimic-iv-clinical-database (4)、mimic-iii (106)、stroke-scale-mimic-iii (596)

Chronic Kidney Disease 是一个"被引用了数千次、却连一份官方论文都没有"的传奇小数据集：印度泰米尔纳德邦 Apollo Hospitals 的 400 名肾内科患者，24 项常规检验指标，加一个"是/否慢性肾病"的诊断标签，2015 年 7 月捐赠给 UCI 机器学习仓库。它体积不到 45 KB，却在谷歌学术上支撑了至少一篇被引 379+ 的 IEEE Access 论文，衍生文献总量以千计。它同时是机器学习教学里最锋利的反面教材之一——10.12% 的缺失率、只剩 39.5% 的完整行、2 例带着隐藏制表符的脏标签、几个疑似小数点错位的极端值，以及"随便跑个模型就 99%"的基准通胀奇观，全都在这 400 行数据里。

导语读法五则：

1. 只想下数据：直奔 §6 获取与许可——认准 data.csv 一条路，教程里的旧版 .arff 链接全是死路（坑 5）。
2. 想跑出"像论文里那样"的高准确率：先读 §5.4 的 notckd 判别模式分析再动手——你会明白 99% 从哪里来、又为什么不可信。
3. 做缺失值/不平衡方法研究：直奔 §3 与 §4——10.12% 的非随机缺失加 62.5%/37.5% 的类分布，是天然的方法学试验田。
4. 不确定从哪开始：直奔 §9 使用指南——教学者、方法研究者、临床信息学入门者、数据工程师四类读者各有现成的行动清单。
5. 要引用或再分发：直奔 §6.4 引用格式与附录 O 数据卡模板——CC BY 4.0 的义务只有署名，但署名要署对。

§0 导读：这个数据集解决什么问题

慢性肾病（Chronic Kidney Disease, CKD）是全球性的公共卫生负担：起病隐匿、早期几无症状、一旦进入终末期即需透析或移植。临床识别 CKD 靠的不是单一金指标，而是一组常规检查的组合信号——尿常规里的蛋白尿与血尿、血生化里的肌酐与尿素、血常规里的血红蛋白与红细胞压积，再加上高血压、糖尿病等合并症史。这套"多指标组合判别"恰好是机器学习二分类的原型场景：特征都是表格里的数值或等级，标签是临床医生给出的二值结论，任务清晰、指标可算、结果可解释。

Chronic Kidney Disease 数据集（下文简称 CKD-UCI）把上述场景压缩进了一张 400 行的表格。它是 UCI Machine Learning Repository 中与 Iris、Heart Disease、Pima Indians Diabetes 并列的"教科书级"医疗小数据：每个学过机器学习的人几乎都见过它，每个讲"缺失值处理"或"分类不平衡"的教程都爱用它。2015 年 7 月 2 日由 L. Rubini、P. Soundarapandian、P. Eswaran 三人捐赠，采集医院为 Apollo Hospitals（印度泰米尔纳德邦），官方摘要称采集期约两个月。数据本体是 25 列 CSV：24 个特征列横跨人口学（age、bp）、尿液检查（sg、al、su、rbc、pc、pcc、ba）、血生化（bgr、bu、sc、sod、pot）、血液学（hemo、pcv、wbcc、rbcc）、合并症与症状（htn、dm、cad、appet、pe、ane）五组，第 25 列 class 是二分类标签。

但 CKD-UCI 的真正价值，一半在数据本身，一半在它无意间成为的"方法学显微镜"。

第一重显微镜照向缺失数据。400 例 × 24 特征 = 9600 个特征格，加上 400 个标签格共 10000 格，其中 1012 格缺失（10.12%）。缺失不是均匀的：尿液镜检的红细胞（rbc，38.0% 缺失）、红细胞计数（rbcc，32.75%）、白细胞计数（wbcc，26.5%）缺得最狠，而食欲（appet）、足部水肿（pe）、贫血（ane）只缺 1 格。这意味着"删除含缺失行"的朴素策略会把样本砍到只剩 158 例（39.5%）——六成信息灰飞烟灭；而"均值插补"则会把 38% 缺失的 rbc 列插成一个常数柱。CKD-UCI 因此成为缺失机制讨论（MCAR/MAR/MNAR）与插补方法评测（KNN 插补、MICE、迭代插补）的天然演武场。

第二重显微镜照向基准通胀。这个数据集没有官方伴生论文、没有官方训练/测试划分、没有榜单——但社区基准论文数量惊人：随机森林 99.75%（Qin et al. 2019，IEEE Access，被引 379+）、DNN 99.6%（Chittora et al. 2021）、单次分割 100%（Sossi et al. 2019 XGBoost、ANFIS-PSO 2026）……而 ANFIS-PSO 2026 同一模型在 5 折交叉验证下只有 87.00%±3.59%——单分割与交叉验证之间隔着 13 个百分点。§5.4 会给出数据学解释：150 例 notckd 患者在 9 个特征列上取值完全规则（尿蛋白全 0、尿糖全 0、无高血压、无糖尿病……），这个任务在很大程度上是"规则可分"的，高准确率是数据构造的产物，而非模型智能的证明。

第三重显微镜照向数据卫生。官方 data.csv 的 class 列里藏着 2 例 ckd\t——末尾一个制表符，足以让不清洗的脚本把二分类变成三分类；dm 列里藏着 1 例 \tno；缺失值以字面量字符串 “NaN” 表示，手写 CSV 解析器会把它当成合法取值。这些"地雷"分布在具体行上（行 37、行 230、行 188），本条目逐一存照（§4 坑 1、坑 2、坑 3），让后来者不必再踩。

§0 读法三则：

1. 这个条目是"数据+基准史+方法学批判"三合一：本体是 400 行 CSV，衍生物是数百篇基准论文与数千个教学 notebook，副产品是关于"数据质量决定结论上限"的一整套警示。
2. 全文统计数字均出自本编辑部对官方 data.csv 的实测（45,092 字节版本，2026-09-29 下载）；论文自报数字一律标注出处与"自报口径"。
3. 检索时注意：“chronic-kidney-disease” 在不同平台指向不同资源——UCI 旧版页面、Kaggle 镜像、各大学课程镜像的内容与脏值可能互不一致，本条目一切以 UCI ID 336 的官方 data.csv 为准（坑 5）。

§1 数据集速览：十问十答

Q1：这份数据里到底有什么？
400 名肾内科患者，每人 24 项检查结果加 1 个诊断标签。24 项分五组：人口学与体格 2 项（年龄、血压）、尿液检查 7 项（比重、白蛋白、糖、红细胞、脓细胞、白细胞团、细菌）、血生化 5 项（随机血糖、尿素、肌酐、钠、钾）、血液学 4 项（血红蛋白、红细胞压积、白细胞计数、红细胞计数）、合并症与症状 6 项（高血压、糖尿病、冠脉疾病、食欲、足部水肿、贫血）。标签 class 取值 ckd（慢性肾病）或 notckd（非慢性肾病）。

Q2：400 例里病人和健康人各占多少？
归一后 ckd 250 例（62.5%）、notckd 150 例（37.5%）——中度不平衡。注意"归一"二字：官方 data.csv 原样是 ckd 248 例 + ckd\t 2 例 + notckd 150 例，那 2 例只是标签末尾多了个制表符（data.csv 行 37 与行 230），不清洗的话你的 value_counts 会数出 3 个类别（坑 1）。

Q3：数据是谁、在哪里、什么时候采的？
采集医院为 Apollo Hospitals——印度最大的私立医院集团之一，位于泰米尔纳德邦。捐赠者/创建者为 L. Rubini、P. Soundarapandian、P. Eswaran 三人（UCI API creators 字段原样），2015 年 7 月 2 日捐赠 UCI。官方摘要原文称采集"nearly 2 months of period"，即采集期约两个月。至于 Apollo 具体在泰邦哪座城市——三份文献给出三个答案，官方未载（坑 6）。

Q4：特征都是什么类型？
官方 data.csv 里只有两种存储形态：数值列 11 个（age、bp、bgr、bu、sc、sod、pot、hemo、pcv、wbcc、rbcc）与字符串/等级列 14 个。但语义上更细：sg（比重）名义上是连续量、实际只取 1.005/1.010/1.015/1.020/1.025 五个离散值；al（尿白蛋白）与 su（尿糖）是 0-5 的六个等级；rbc/pc/pcc/ba/htn/dm/cad/appet/pe/ane 是二值类别；class 是目标。UCI 官方把 feature_types 统一标为 “Real”，这是平台级的粗粒度口径，别照抄进你的预处理代码。

Q5：缺失有多严重？缺在哪？
全表 10000 格缺 1012 格（10.12%），而且 24 个特征列无一幸免全有缺失。最缺的三列都在检验科室：rbc 缺 152 格（38.0%）、rbcc 缺 131 格（32.75%）、wbcc 缺 106 格（26.5%）；最不缺的是症状三兄弟：appet/pe/ane 各缺 1 格。整行零缺失的"完整病例"只有 158 例（39.5%）——你的 dropna() 会把这 400 例砍成 158 例（坑 4）。

Q6：缺失值在文件里长什么样？
官方 data.csv 用字面量字符串 “NaN” 表示缺失。pandas read_csv 默认会把 “NaN” 解析成浮点 NaN，所以用 pandas 的人感觉不到它的存在；但手写 CSV 解析器、或把 CSV 先转成其他格式再读的工具链，会把 “NaN” 当成一个合法的字符串取值——于是你的名义列会多出一个 “NaN” 类别（坑 3）。

Q7：标签是怎么定的？
标签即临床诊断结论（ckd/notckd），但判定标准官方未注明——是否按 KDIGO 指南、是否用 eGFR 与分期口径、诊断由谁复核，UCI 页面与 API 均无一字。这是本数据集最大的悬案之一：意味着"ckd"标签的操作化定义不可追溯，也意味着它不适合做 CKD 分期或多级分类研究（它只有二分类，没有分期）。

Q8：为什么这么多论文报告 99%+ 的准确率？
因为 150 例 notckd 患者在 9 个特征列上取值完全规则：尿白蛋白全部为 0、尿糖全部为 0、无高血压、无糖尿病、无冠脉疾病、食欲全部 good、无足部水肿、无贫血、红细胞与脓细胞形态全部正常，尿比重只取 1.020/1.025 两档。换句话说，notckd 类近乎"规则可分"，任何能学会"这些列全正常→notckd"的模型都能拿高分。这是数据构造的产物（§5.4 详析），拿它证明"我的模型比你的强"没有意义。

Q9：许可与获取方式？
UCI 官方口径 CC BY 4.0——商用允许、需署名，对 AI 训练与再分发非常友好。获取认准一条正路：UCI 官方页（ID 336）→ data.csv（45,092 字节，唯一官方机读格式）。旧版 .arff 文件时代的一切路径已 404；官方下载包里的 zip 解开后是个 .rar（官方页面自己也这么标），Linux 默认没有 unrar——直接走 data.csv，别跟压缩包纠缠（坑 5）。

Q10：引用格式是什么？
UCI 官方口径：Rubini, L., Soundarapandian, P., & Eswaran, P. Chronic Kidney Disease [Dataset]. UCI Machine Learning Repository. https://doi.org/10.24432/C5G020 。注意三点：DOI 10.24432/C5G020 是 2023 年平台改版后分配的；引用体量最大的社区基准论文是 Qin et al. 2019（IEEE Access，被引 379+），但它不是官方伴生论文——本数据集压根没有官方伴生论文（UCI API intro_paper: null）。

§2 数据构成：25 列逐列详解

2.0 总体档案

指纹项	实测值（2026-09-29，UCI 官方 data.csv）
文件	data.csv（https://archive.ics.uci.edu/static/public/336/data.csv）
体积	45,092 字节
行数	401 行 = 1 表头 + 400 数据行
列数	25 列 = 24 特征 + 1 标签（UCI API num_features: 24；不少论文写"25 attributes"是把 class 也算进去了——两口径都存照）
缺失表示	字面量字符串 “NaN”（坑 3）
全表缺失	1012 / 10000 格 = 10.12%
零缺失完整行	158 例（39.5%）
重复行	0
主键	无患者 ID 列，行序即唯一标识
分隔符	英文逗号；无引号包裹字段；脏值 ckd\t、\tno 内嵌制表符（坑 1、坑 2）

UCI 官方元数据口径：area=Other；tasks=Classification；characteristics=Multivariate；feature_types=Real；demographics=Age；target_col=class。其中 “feature_types=Real” 是平台级粗口径——实际只有 11 列是真数值，14 列是字符串/等级（§2.2 起逐列辨析）；“demographics=Age” 也只登记了年龄，未登记性别——本数据集没有性别列，这也是常被文献忽略的一点（不少论文臆测"男女比例"，实无此列可算）。

2.1 特征体系总览：五组 24 列

组	列	类型（实测）	UCI API 单位	缺失（格 / %）
人口学与体格	age	数值-整数	无（demographic=Age）	9 / 2.25%
人口学与体格	bp	数值-整数	mm/Hg	12 / 3.0%
尿液检查	sg	等级（5 档离散值）	无（Categorical）	47 / 11.75%
尿液检查	al	等级（0-5）	无（Categorical）	46 / 11.5%
尿液检查	su	等级（0-5）	无（Categorical）	49 / 12.25%
尿液检查	rbc	二值	无（Binary）	152 / 38.0%
尿液检查	pc	二值	无（Binary）	65 / 16.25%
尿液检查	pcc	二值	无（Binary）	4 / 1.0%
尿液检查	ba	二值	无（Binary）	4 / 1.0%
血生化	bgr	数值-整数	mgs/dl	44 / 11.0%
血生化	bu	数值（含小数）	mgs/dl	19 / 4.75%
血生化	sc	数值-连续	mgs/dl	17 / 4.25%
血生化	sod	数值（含小数）	mEq/L	87 / 21.75%
血生化	pot	数值-连续	mEq/L	88 / 22.0%
血液学	hemo	数值-连续	gms	52 / 13.0%
血液学	pcv	数值-整数	无 units 字段（坑 9）	71 / 17.75%
血液学	wbcc	数值-整数	cells/cmm	106 / 26.5%
血液学	rbcc	数值-连续	millions/cmm	131 / 32.75%
合并症与症状	htn	二值	无（Binary）	2 / 0.5%
合并症与症状	dm	二值（含 1 脏值）	无（Binary）	2 / 0.5%
合并症与症状	cad	二值	无（Binary）	2 / 0.5%
合并症与症状	appet	二值	无（Binary）	1 / 0.25%
合并症与症状	pe	二值	无（Binary）	1 / 0.25%
合并症与症状	ane	二值	无（Binary）	1 / 0.25%
目标	class	二值（含 2 脏值）	—	0

元数据与实测的两处小不符（本编辑部实测，供较真者参考）：UCI API 把 bu、sod 标为 Integer，但实测 bu 最小值 1.5、sod 最小值 4.5，均存在小数取值——API 类型标注同样是粗口径。下列逐列详解中，"实测"均指对官方 data.csv 的直接统计。

2.2 人口学与体格组（2 列）

age — 年龄

数值列，实测 n=391（缺 9），均值 51.48±17.17，范围 [2, 90]。以中老年为主体的分布，与 CKD 的流行病学画像吻合；但最小值 2 岁、最大值 90 岁说明样本并未设年龄下限——data.csv 行 188 是一名 8 岁患儿（hemo 12.2，dm 列脏值 \tno 的所在行，见坑 2），2 岁患者亦在列。做"成人 CKD"叙事的论文请先查自己有没有把儿科病例一起算进去。UCI demographics 字段仅登记 Age，无性别列。

bp — 血压（mm/Hg）

数值列，实测 n=388（缺 12），均值 76.47±13.68，范围 [50, 180]。按临床惯例 bp 在这里指舒张压（diastolic），正常参考约 60-90；max 180 已达高血压急症级别。双口径存照：PLOS ONE 2024 论文（DOI 10.1371/journal.pone.0295234）报告 bp 均值 76.175，与本编辑部实算 76.47 差 0.295——推测系论文侧做过清洗或插补后重算；本条目正文按官方 data.csv 实算口径 76.47 书写。该列缺失仅 3.0%，是体格检查里记录最完整的一项。

2.3 尿液检查组（7 列）

sg — 尿比重（specific gravity）

名义上连续、实测离散：1.005×7 / 1.010×84 / 1.015×75 / 1.020×106 / 1.025×81，NaN 47（缺 11.75%）。五档取值对应尿液浓缩能力的梯度——肾脏浓缩功能受损时比重趋向低档固定。CKD 患者常见 1.005-1.015 的低固定比重，而 notckd 子集只取 {1.020, 1.025} 两档（§5.4）。建模时当序数变量处理比当连续变量更稳。

al — 尿白蛋白（albumin），0-5 等级

等级列，实测计数：0×199 / 1×44 / 2×43 / 3×43 / 4×24 / 5×1，NaN 46（缺 11.5%）。0=无蛋白尿，5=最重。这是 CKD 判别的核心特征之一：ckd 组 al 均值显著偏高，而 notckd 组 150 例全部为 0。等级取 5 的只有 1 例，建模时注意尾部分类稀疏。

su — 尿糖（sugar），0-5 等级

等级列，实测计数：0×290 / 1×13 / 2×18 / 3×14 / 4×13 / 5×3，NaN 49（缺 12.25%）。与 al 同构的六级等级，反映尿中葡萄糖；notckd 组 150 例同样全部为 0。分布高度右偏（0 占非缺失的 82.6%），做统计检验时注意其本质是序数而非连续。

rbc — 尿红细胞（red blood cells）

二值列：normal 201 / abnormal 47，NaN 152（缺 38.0%，全表缺失冠军）。血尿（abnormal）是肾小球损伤的经典信号，但近四成缺失使它更像一张"做了镜检才有"的检查单——缺失机制大概率与临床决策相关（非随机缺失，MNAR 嫌疑），插补前先想清楚"为什么缺"。

pc — 尿脓细胞（pus cell）

二值列：normal 259 / abnormal 76，NaN 65（缺 16.25%）。脓尿提示尿路感染或炎症；与 pcc（白细胞团）临床相关但缺失率相差四倍（16.25% vs 1.0%），推测二者分属不同检验子项的记录习惯。

pcc — 尿白细胞团（pus cell clumps）

二值列：notpresent 354 / present 42，NaN 4（缺 1.0%）。记录极其完整，与 ba 一样属于"医生问诊/化验单必填"风格的字段。

ba — 尿细菌（bacteria）

二值列：notpresent 374 / present 22，NaN 4（缺 1.0%）。细菌尿阳性仅 22 例，类分布极端偏斜（94.4% notpresent），单独用作特征的信息量有限，但与 pcc/pc 组合后构成"感染证据链"。

2.4 血生化组（5 列）

bgr — 随机血糖（blood glucose random，mgs/dl）

数值列，实测 n=356（缺 44），均值 148.04±79.28，范围 [22, 490]。均值落在糖尿病偏高区间，max 490 为重度高血糖；而 min 22 mg/dl 是生理上几乎不可能存活的严重低血糖——大概率是录入错误（如漏敲首位数字，22 或为 122/220 之误），官方无说明（坑 7）。该列与 dm（糖尿病合并症）临床呼应，是"代谢轴"的主特征。

bu — 血尿素（blood urea，mgs/dl）

数值列，实测 n=381（缺 19），均值 57.43±50.50，范围 [1.5, 391]。尿素氮升高是肾功能失代偿的直接标志（正常参考约 7-20 mg/dl）；max 391 对应终末期肾病水平，min 1.5 偏低但非不可能。注意 UCI API 类型标 Integer 而实测含 1.5 这类小数——又一处元数据粗口径。标准差 50.50 超过均值，右偏极重，建模建议先取对数。

sc — 血清肌酐（serum creatinine，mgs/dl）

数值列，实测 n=383（缺 17），均值 3.07±5.74，范围 [0.4, 76]。肌酐是 CKD 分期基石（eGFR 由它算起）：正常约 0.6-1.2 mg/dl，ckd 组均值 4.41 vs notckd 组 0.87——本数据集里判别力最强的单变量之一。max 76 mg/dl 生理上近乎离谱（终末期通常也就 10-20 量级），疑似小数点错位（76 或为 7.6 之误），官方未注（坑 7）；std 5.74 被这一个点大幅拉高。与 bu 一样强烈建议对数变换后再用。

sod — 血钠（sodium，mEq/L）

数值列，实测 n=313（缺 87），均值 137.53±10.41，范围 [4.5, 163]。正常参考 135-145；ckd 组 133.90 vs notckd 组 141.73，低钠血症倾向与肾功能减退相关。min 4.5 mEq/L 为严重电解质紊乱不可能存活值，疑小数点错位（45 之误？），同样无官方说明（坑 7）。API 类型标 Integer 而实测有 4.5——类型标注失真第三例。

pot — 血钾（potassium，mEq/L）

数值列，实测 n=312（缺 88），均值 4.63±3.19，范围 [2.5, 47]。高钾血症是 CKD 的致命并发症（正常参考 3.5-5.0）；max 47 mEq/L 远超心搏骤停阈值（约 8-10），疑为 4.7 之误的小数点错位，官方未注（坑 7）。std 3.19 同样被极端值主导。这一列是"极端值清洗必要性"的最佳教具：留着 47，你的标准化会把健康人的 4.5 全压成零附近。

2.5 血液学组（4 列）

hemo — 血红蛋白（hemoglobin，gms）

数值列，实测 n=348（缺 52），均值 12.53±2.91，范围 [3.1, 17.8]。肾性贫血是 CKD 进展的标志事件（促红细胞生成素分泌不足）；ckd 组均值 10.65 vs notckd 组 15.19，组间落差近 4.5 gms，判别力仅次于 sc。min 3.1 为极重度贫血（可危急），但临床上确可出现，未必是错值。

pcv — 红细胞压积（packed cell volume）

数值列，实测 n=329（缺 71），均值 38.88±8.99，范围 [9, 54]。与 hemo 物理上强相关（压积≈血红蛋白×约 3 倍关系），共线性预警：同时喂给线性模型时二者近乎冗余。UCI API 对该列没有 units 字段——24 列中唯一缺单位标注的一列（坑 9）；临床惯例 PCV 以百分比报告（正常约 36-50%），实测范围 [9, 54] 与百分比口径吻合。ckd 组 32.94 vs notckd 组 46.34。

wbcc — 白细胞计数（white blood cell count，cells/cmm）

数值列，实测 n=294（缺 106），均值 8406.12±2944.47，范围 [2200, 26400]。正常参考约 4000-11000；max 26400 提示重度感染/白血病样反应，生理上仍属可能区间，但需结合 pcc/ba 判断是否真有感染佐证。缺失 26.5%，与 rbc/rbcc 同属"血常规缺失三兄弟"。

rbcc — 红细胞计数（red blood cell count，millions/cmm）

数值列，实测 n=269（缺 131，缺 32.75%），均值 4.71±1.03，范围 [2.1, 8]。ckd 组 3.95 vs notckd 组 5.38——贫血轴的又一员。与 rbc（形态学二值列）是两个不同变量：一个数数量、一个看形态，建模时别把二者混淆。社区教程盛传旧版 .arff 的 pcv/wbcc/rbcc 列存在 \t? 型制表符脏值（"17 处"之说），旧版已 404 无法实证，本条目仅对官方 data.csv 负责：实测数值列除 NaN 外无任何非数值脏值（附录 D 存照）。

2.6 合并症与症状组（6 列）

htn — 高血压（hypertension）

二值列：no 251 / yes 147，NaN 2。高血压既是 CKD 的因也是果；ckd 组 yes 占比显著更高。notckd 组 150 例全部 no（§5.4 规则可分链条的一环）。双口径存照：一些教程写"htn 列出现过 2.5"——那是误把 data.csv 行 37 的 rbcc=2.5 读到 htn 列上（0 基索引 r[17]=rbcc 而非 htn，htn 在 r[18]）；实测 htn 列除 NaN 外只有 yes/no。

dm — 糖尿病（diabetes mellitus）

二值列：no 260 / yes 137，NaN 2，外加 1 例脏值 \tno（data.csv 行 188，age=8 的患儿行）——把"no"写成了制表符+no（坑 2）。与前述 bgr/su 构成糖代谢证据链。notckd 组 150 例同样全部为 no。

cad — 冠脉疾病（coronary artery disease）

二值列：no 364 / yes 34，NaN 2。极度偏斜（yes 仅 8.5%）；心血管合并症与 CKD 互为危险因素，但本列信息密度受偏斜限制。notckd 组全部 no。

appet — 食欲（appetite）

二值列：good 317 / poor 82，NaN 1。全表记录最完整的列之一（仅缺 1 格）。尿毒症毒素蓄积导致食欲减退是 CKD 的经典非特异症状；notckd 组全部 good。

pe — 足部水肿（pedal edema）

二值列：no 323 / yes 76，NaN 1。水钠潴留的体表征象；notckd 组全部 no。与 hemo/pcv 的贫血轴、sc/bu 的肾功轴并列，构成"症状轴"。

ane — 贫血（anemia，问诊判定）

二值列：no 339 / yes 60，NaN 1。注意与 hemo/rbcc 的区别：ane 是临床问诊判定（是否诊断贫血），hemo/rbcc 是化验数值——同一轴上的"定性+定量"双记录。notckd 组全部 no。

2.7 目标列 class

原样取值计数：ckd 248 / notckd 150 / ckd\t 2（data.csv 行 37 与行 230，见坑 1）；归一后 ckd 250（62.5%）/ notckd 150（37.5%）。零缺失。中度不平衡比 5:3——用准确率单指标评测时要配合灵敏度/特异度与混淆矩阵（ckd 是正类时应看漏诊率）。标签的医学判定标准官方未注明（§1 Q7），一切"ckd"标签均应理解为"该患者被接诊医生判定为慢性肾病"这一黑箱结论。

2.8 ckd vs notckd 分组均值速览（自算口径）

列	ckd 组（n=250）	notckd 组（n=150）	组间落差解读
sc 血清肌酐 (mg/dl)	4.41	0.87	最强单变量：肾滤过功能直接证据
hemo 血红蛋白 (g)	10.65	15.19	肾性贫血轴
pcv 红细胞压积 (%)	32.94	46.34	与 hemo 同轴冗余
bgr 随机血糖 (mg/dl)	175.42	107.72	代谢/合并症轴
rbcc 红细胞计数 (M/cmm)	3.95	5.38	贫血轴定量侧
sod 血钠 (mEq/L)	133.90	141.73	电解质调节能力

六列均呈现 ckd 恶化方向的一致位移；但请注意这些均值本身已被极端值（坑 7）污染——比如 sc 组间差部分来自 76 这个疑错点。均值差异显著 ≠ 单列可独判：真正把两类分开的是 §5.4 揭示的"notckd 规则可分"结构。

2.9 临床参考区间对照：把数值放回医学刻度

前面各节是"数据侧"的画像；本节把关键数值列放回临床参考区间，给读者一面"医学侧"的镜子。表中参考区间均经至少三个独立来源交叉确认（Medscape 参考区间表、MedlinePlus 医学百科、Kidney Education 临床教材；见尾注 11-12），用途是帮助读者快速判断"这个值在临床上意味着什么"——它们不是诊疗依据，也不替代任何临床指南。

列	UCI 官方单位	实测范围（本条目实算）	临床参考区间（三源口径）	区间外实测点的临床解读
age	岁	[2, 90]	成人参照为主，儿科须单独口径	行 188 为 8 岁患儿（附录 A）；无性别列使成人/儿科细判受限
bp	mm/Hg	[50, 180]	舒张压 60-90（Bristol 注释版口径：本列 “presumably diastolic”，UCI 官方未注明缩/舒）	min 50 低血压；max 180 高血压急症级别
bgr	mgs/dl	[22, 490]	—（本条目未三源复核随机血糖区间，不列）	min 22 生理不可存活（坑 7）；max 490 重度高血糖
bu	mgs/dl	[1.5, 391]	见下方警示框一：bu≠BUN，勿直接套 BUN 区间	max 391 终末期量级
sc	mgs/dl	[0.4, 76]	男 0.6-1.3 / 女 0.5-1.2	ckd 组均值 4.41 已远超上限；max 76 疑错位（坑 7）
sod	mEq/L	[4.5, 163]	135-145	min 4.5 不可存活疑错位；max 163 严重高钠
pot	mEq/L	[2.5, 47]	3.5-5.0	max 47 超心搏骤停阈值（约 8-10），疑错位
hemo	gms	[3.1, 17.8]	约 12-17（性别而异）	min 3.1 极重度贫血（危急但临床确可出现）
pcv	无官方单位（按 % 解读，坑 9）	[9, 54]	约 36-50%（临床惯例口径）	min 9 极重度；与 hemo 经验比例约 3:1
wbcc	cells/cmm	[2200, 26400]	5000-10000	max 26400 重度感染样反应；min 2200 白细胞减少
rbcc	millions/cmm	[2.1, 8]	约 4.0-6.0（性别而异）	min 2.1 与肾性贫血轴吻合

警示框一：bu 不是 BUN——本数据集最常见的单位错位。 UCI 官方变量表把 bu 标注为 “blood urea”（血尿素，单位 mgs/dl），而临床惯用指标是 BUN（blood urea nitrogen，血尿素氮）。尿素分子含两个氮原子，BUN ≈ 尿素 × 0.467，反过来尿素 ≈ BUN × 2.14。因此"BUN 正常 7-20 mg/dL"翻译到本数据集的 bu 口径约为 15-40。大量教程直接把 bu 当 BUN 并套用 7-20 的参考区间，等于把参考上限压低了一半以上——一批肾功能正常者的 bu 值会被误读为"显著升高"。实测 bu 全体均值 57.43（ckd 组更高）：按尿素口径解读，与 CKD 人群的构成吻合；若误按 BUN 口径解读，则"严重得离谱"。读任何一篇用本数据集的文献时，先看作者把 bu 当成了哪个指标。

警示框二：sg 的低档与"等渗尿"。 尿比重临床参考：随机尿 1.003-1.035，晨尿 1.015-1.025；比重固定于 1.010±0.003 的"等渗尿"提示肾浓缩与稀释功能严重受损。ckd 组的 sg 分布向 1.005-1.015 低档集中（§2.3），与该临床画像吻合；notckd 组只取 1.020/1.025 两档（§5.4）。这也是 §2.3 建议"按序数处理"的临床依据：档位本身就是浓缩能力的等级。

警示框三：al 的 0-5 等级 ≠ KDIGO 的 ACR 分级。 本数据集 al 是 0-5 的半定量等级（试纸法/镜检传统的分级口径）；KDIGO 2024 指南的白蛋白尿分级用的是 ACR（尿白蛋白/肌酐比值）定量体系：A1 <30、A2 30-300、A3 >300 mg/g。二者测量对象相关但不可互相换算——把"al=3"写成"A3 期"是审稿中真实出现过的错误类型。

背景知识框：KDIGO 2024 CGA 分期与本数据集的距离。 KDIGO 2024 官方口径：CKD 定义为肾脏结构或功能异常持续 ≥3 个月且影响健康；分期按 CGA 三轴——病因（Cause）、GFR 分期 G1（≥90）/G2（60-89）/G3a（45-59）/G3b（30-44）/G4（15-29）/G5（<15，单位 mL/min/1.73m²）、白蛋白尿分级 A1（<30）/A2（30-300）/A3（>300 mg/g）。NIDDK 补充口径：G2 期若无肾损伤标志物（蛋白尿、血尿、影像学异常等）不视作 CKD。本数据集无 eGFR 列、无病程时间维度、无 ACR 定量——无法映射到该分期体系，它能支撑的只是"疑似 CKD vs 非 CKD"的二分类判别（§1 Q7、FAQ F22）。

另注：无性别列不仅让"男女比例"叙事无源（§1 Q4），也使 eGFR 复算不可行——主流 eGFR 公式（CKD-EPI 等）需要性别与年龄作为输入，本数据集只有年龄。这意味着读者无法从 sc 列自行推算 eGFR 来对齐 KDIGO 分期，"标签判定是否按 KDIGO"的悬案（附录 E 第 1 条）也因此无法用数据侧手段侧面验证。

§3 缺失值体系：10.12% 缺失的完整解剖

3.1 全表缺失账本

400 行 × 24 特征 = 9600 个特征格；加上 400 个标签格共 10000 格；缺失 1012 格，缺失率 10.12%。标签列 class 零缺失，全部缺失集中在特征侧。24 个特征列每一列都有缺失——不存在"至少有这一列是全的"的安慰。与此对照，行方向的账更触目：零缺失完整行仅 158 例（39.5%），即六成患者至少漏了一项检查（坑 4）。

3.2 逐列缺失降序表（实测）

排名	列	缺失格数	缺失率	临床语义
1	rbc 尿红细胞	152	38.0%	镜检子项，做不做看医生
2	rbcc 红细胞计数	131	32.75%	血常规子项
3	wbcc 白细胞计数	106	26.5%	血常规子项
4	pot 血钾	88	22.0%	生化子项
5	sod 血钠	87	21.75%	生化子项
6	pcv 红细胞压积	71	17.75%	血常规子项
7	pc 尿脓细胞	65	16.25%	镜检子项
8	hemo 血红蛋白	52	13.0%	血常规子项
9	su 尿糖	49	12.25%	尿干化学子项
10	sg 尿比重	47	11.75%	尿干化学子项
11	al 尿白蛋白	46	11.5%	尿干化学子项
12	bgr 随机血糖	44	11.0%	生化子项
13	bu 血尿素	19	4.75%	生化子项
14	sc 血清肌酐	17	4.25%	生化子项
15	bp 血压	12	3.0%	体格检查
16	age 年龄	9	2.25%	登记
17	pcc 白细胞团	4	1.0%	镜检子项
17	ba 尿细菌	4	1.0%	镜检子项
19	htn 高血压	2	0.5%	问诊
19	dm 糖尿病	2	0.5%	问诊
19	cad 冠脉疾病	2	0.5%	问诊
22	appet 食欲	1	0.25%	问诊
22	pe 足部水肿	1	0.25%	问诊
22	ane 贫血	1	0.25%	问诊

榜单自上而下几乎就是"检验科室的层级"：越是需要专门仪器与人工镜检的项目缺得越多，越是问诊桌面上一句话能问出来的项目缺得越少。这个梯度本身就是缺失机制的线索（3.4）。

3.3 行级视角：缺失不是散点，是整块

从行方向看，缺失高度聚集：rbc 缺的 152 格并非均匀散布在 152 个不同行——大量行是"镜检整项没做"（rbc 与 pc 同缺）或"血常规整项没做"（wbcc/rbcc/pcv/hemo 成片同缺）。这意味着插补时要警惕"同一行多个格子同时编造"造成的虚假样本：用 KNN 插补 rbc 时，如果它的近邻恰好也是靠插补补出来的行，你就是在用编造数据校准编造数据。一个朴素但有效的自查：对"缺失列组合"（missingness pattern）做去重计数，观察前几大模式各占多少行，再决定插补策略——本编辑部实测缺失模式高度集中于少数几种"整块缺"组合，而非数百种随机组合。

3.4 缺失机制讨论：大概率不是 MCAR

统计学把缺失分三型：MCAR（完全随机）、MAR（依可观测变量而定）、MNAR（依缺失值本身而定）。CKD-UCI 的缺失梯度（镜检>血生化>问诊）与"整块缺失"结构强烈暗示这不是 MCAR：

• 检查项目缺失与病情轻重相关——轻症/复诊患者可能只做基础盘，重症才上全套，也可能是早期录入时段检验项目不全；缺 rbc 的行是不是系统性地更"健康"或更"重"？值得用"缺失指示变量与 class 的相关"快速检验。
• 问诊字段近乎全记录（appet/pe/ane 各缺 1 格）说明表格的问诊部分经过了较认真的填写，而检验部分是从化验单批量转录——两段数据的采集动机不同。

对建模者的含义：任何把缺失当随机的插补（朴素均值/中位数）都会系统性地扭曲组间分布；更稳的做法是把"是否缺失"本身当特征（缺失指示列），或使用能原生处理缺失的树模型（XGBoost/LightGBM 的 NaN 通道），让模型自己学缺失的含义。Qin et al. 2019 用 KNN 插补后拿到 99.75%——插补方法在这里对最终指标的影响，远小于 §5.4 揭示的任务可分性。

3.5 处理策略菜单（按保守到激进）

1. 删除派：dropna() 一刀切 → 剩 158 例（39.5%），且删剩的子集分布偏斜（整块缺的行被系统性剔除）。除非你明确要"检验齐全子集"的结论，否则不推荐。
2. 单插补派：均值/中位数/众数插补 → 快，但把 rbc 这种 38% 缺失的列插成一根常数柱，方差被系统性低估。
3. 模型插补派：KNN 插补（Qin 2019 口径）、MICE/迭代插补、missForest → 效果通常更好，但要小心 3.3 的"编造套编造"，并对插补后的样本做分布对照。
4. 缺失即特征派：加缺失指示列，或用 XGBoost/LightGBM 原生 NaN 通道 → 表格数据上最省心且诚实的做法，树模型会自动学到"缺 rbc 本身有没有信息"。
5. 分而治之派：问诊块（缺失≈0）与检验块（高缺失）分别处理，或在完整行子集（158 例）上做敏感性分析，与全样本结果对照报告。

无论选哪派，请在论文里报告插补前后的类别分布与特征分布对照——CKD-UCI 的缺失梯度意味着不同插补策略可能产生可观测的指标差异，这正是它作为方法学教学样本的价值。

§4 数据质量坑点清单：九坑全景

以下九坑全部经本编辑部对官方 data.csv 实测确认（除坑 6 为文献口径问题、坑 8 为文献方法学问题外），每坑给出"踩法—后果—躲法"。

坑 1：class 列的 2 例 ckd\t 脏标签（行 37 与行 230）

踩法：df['class'].value_counts() 直接看结果，或用 if x == 'ckd' 做标签映射。
实测存照：data.csv 行 37（age=72, rbcc=2.5, htn=yes, class=ckd\t）与行 230（age=65, hemo/pcv/rbcc 均 NaN, class=ckd\t）——标签末尾各藏一个制表符。原样计数 ckd 248 / ckd\t 2 / notckd 150。
后果：不清洗则类别数从 2 变 3；LabelEncoder 会给 ckd\t 单独编号；若你把 ckd\t 行整行丢弃，等于白扔 2 例正类；更隐蔽的是某些 train/test 切分脚本按类别分层时会因 3 类而报错或产生畸变折。
躲法：读入后第一时间 df['class'] = df['class'].str.strip()，顺手把全表所有 object 列都 strip 一遍（坑 2 同源）。归一后口径 ckd 250 / notckd 150。

坑 2：dm 列的 1 例 \tno 脏值（行 188，8 岁患儿行）

踩法：假设 dm 列只有 {yes, no} 两个取值，做 map({'yes':1,'no':0})。
实测存照：data.csv 行 188——age=8 的患儿（hemo 12.2），dm=\tno（制表符+no）。原样计数 no 260 / yes 137 / \tno 1 / NaN 2。
后果：map 后该行变 NaN（若 map 未指定其他值），一行数据无声损失；或被当作第三类别喂进独热编码，多出一列常数 0/1 特征。
躲法：同坑 1 的全表 strip 即可归一为 no。注意这行同时是儿科样本（8 岁）——如果你做的是成人研究，这行要按年龄标准剔除而非当异常值丢。

坑 3：缺失以字面量字符串 “NaN” 表示

踩法：手写 CSV 解析器逐字段 split；或把 CSV 导入不认识 “NaN” 字面量的数据库/BI 工具后再分析。
实测存照：官方 data.csv 中缺失单元格写作字符串 NaN（不是空串、不是 ?、不是 NA）。pandas read_csv 默认识别，使用者无感；其他工具链则可能把它当合法取值。
后果：名义列多出 “NaN” 类别（独热编码多一列）；数值列类型推断失败整列变 object；"缺失率 10.12%"在你手里变成 0%。
躲法：pandas 用户无感可跳过；其他工具链请显式声明 NaN 为缺失标记（如 SQL 导入时 NULLIF(val,'NaN')），或先经 pandas 清洗再落库。

坑 4：零缺失完整行仅 158 例（39.5%），dropna() 灰飞烟灭

踩法：df.dropna() 后开始训练，并在论文里写"n=158"或干脆不写 n。
实测存照：400 例中整行零缺失仅 158 例；被删的 242 行里包含大量"仅缺 1-2 格"的高价值样本。
后果：样本量蒸发六成；更糟的是被删行不是随机的——整块缺检验的行有自己的临床画像（3.3），删完后你的"158 例结论"不再代表原始人群；部分论文的"高准确率"正是在这个小而偏的子集上刷出来的。
躲法：永远报告 dropna 前后的 n 与类别分布；优先用 §3.5 的 4 号策略（缺失即特征/树模型原生通道）。

坑 5：旧版 .arff 时代路径全 404，官方 zip 里是 .rar

踩法：从 2015-2022 年间的教程、书籍或博客复制下载链接（chronic_kidney_disease.arff、chronic_kidney_disease_full.arff、Chronic_Kidney_Disease.csv 等），或下载官方 zip 后在 Linux 上 unzip 完卡住。
实测存照（2026-09-29）：上述旧版路径全部 404；UCI 2023 平台改版后官方分发仅剩 data.csv（45,092 字节）；官方下载包 zip 解开后是 Chronic_Kidney_Disease.rar（18.8 KB），与官方页面自标一致——Linux/macOS 默认无 unrar。
后果：链接失效浪费半小时是小事；大事是部分教程自带"清洗过的"镜像 CSV，与官方 data.csv 内容不一定一致（有的镜像已把脏值洗掉、有的反而引入新问题），你在镜像上跑出的数字无法与官方口径对话。
躲法：认准 https://archive.ics.uci.edu/static/public/336/data.csv 一条路；引用数字时注明"data.csv 口径"。

坑 6：Apollo 医院的城市三口径（Managiri / Manamadurai / Karaikudi）

踩法：在论文或报告里写"Apollo Hospitals, Karaikudi"（或其他任一城市）并当作确证事实。
实测存照：UCI 官方页只写 Apollo Hospitals（泰米尔纳德邦），不写城市；三份二手来源各执一词——PLOS ONE 2024（DOI 10.1371/journal.pone.0295234）写 Managiri；ANFIS-PSO 2026（DOI 10.62762/bish.2026.692582）写 Manamadurai；Bristol 大学课程页（uob-ds.github.io，Matthew Brett 维护）写 “Karaikudi (maybe)”，作者自己加注不确定。
后果：地理信息错误本身危害有限，但它是本数据集"元数据可靠性"的缩影——连采集城市都三说不一，更别提标签判定标准、抽样方式这类真正要紧的元数据。
躲法：正文只写"Apollo Hospitals（印度泰米尔纳德邦）"；需要城市时三口径并列存照并注明来源。

坑 7：生理可疑的极端值（pot 47 / sc 76 / bgr 22 / sod 4.5）

踩法：数据直接标准化/训练，或反过来看到极端值就删行。
实测存照：pot 最大 47 mEq/L（心搏骤停阈值量级的 5 倍，疑 4.7 错位）、sc 最大 76 mg/dl（终末期罕见量级，疑 7.6 错位）、bgr 最小 22 mg/dl（致死性低血糖，疑 122/220 漏位）、sod 最小 4.5 mEq/L（不可存活，疑 45 错位）；另有 bu 391、wbcc 26400 等生理上勉强可解释的高值。官方对这些值无任何注释。
后果：一个 47 就能把 pot 列的标准差拉大到失真（实测 std 3.19，均值 4.63），z-score 后健康人全被压成一团的零附近；树模型对它不敏感但线性模型与神经网络会被带偏；而"看到大数就删"则会误删真病人（sc 76 若为真值，那是必须透析的危重患者——医疗数据里极端值常常是病情本身）。
躲法：区分"不可能值"（违反生理存活底线的 pot 47、sod 4.5——按疑错处理或按缺失处理并注明）与"罕见但可能值"（sc 10+、bu 391——保留并可加稳健变换）；一切处理在论文中逐值列出并给理由。医疗数据里，"离群值=录入错误"的假设必须逐例辩护。

坑 8：单分割 100% 的论文通胀 vs 5 折 CV 87%

踩法：train_test_split(test_size=0.3) 一次，跑出 100% 准确率，写成论文标题。
实测存照：Sossi et al. 2019（XGBoost）与 ANFIS-PSO 2026 均报单分割 100%；ANFIS-PSO 2026 同一方法改 5 折交叉验证即降为 87.00%±3.59%——13 个百分点的落差发生在同一篇论文里。更广的图景见 §5：单分割 99-100% 与认真交叉验证后 87-99% 并存，是本数据集文献的一体两面。
后果：数据集近乎规则可分（§5.4）+ 单次随机分割 → 测试集里尽是"规则样本"，任何不坏的平台模型都能满分；100% 从此成为"此人没做交叉验证"的强信号。
躲法：分层 k 折交叉验证（k≥5）+ 多随机种子重复，报告均值±标准差；与文献对比时先确认对方口径（单分割还是 CV、是否 SMOTE 后再切分——后者是另一类泄漏，见 §5.3）。

坑 9：元数据粗口径三连——pcv 无单位字段、属性数 24 vs 25、API 类型失真

踩法：盲信 UCI API 的元数据字段做自动化的 schema 生成或数据字典。
实测存照：三处失真——其一，UCI API 变量表中 pcv 是 24 列里唯一没有 units 字段的列（临床惯例为百分比）；其二，API num_features=24（不含 class），大量论文写"25 attributes"（含 class），两口径长期并存；其三，API 把 bu、sod 标为 Integer，实测却各有小数取值（1.5 与 4.5），把 sg、al、su 标为 Categorical 倒是对的，但 feature_types 汇总字段又写 “Real”。
后果：自动化管线生成的数据字典出现"无单位列"与错误类型；论文间"24 还是 25 个属性"的无谓之争；新手按 “Real” 把等级列 al/su/sg 当连续变量送进线性模型。
躲法：以本条目 §2.1 的实测五组表为数据字典基线（并回溯官方 API 复核）；属性数首次出现时注明"24 特征+1 标签"；等级列按序数处理。

§5 机器学习基准综述：一个"没有官方基准"的数据集如何被基准化

5.0 先说清楚：本数据集没有官方基准

UCI API 的 intro_paper 字段为 null——CKD-UCI 是"直接捐赠"型数据集，没有伴生论文、没有官方推荐的训练/测试划分、没有榜单、没有固定评测协议。你在文献里看到的每一个"基准数字"，都是作者自己选择预处理、分割与指标的结果，互相之间不可直接比较。这一节按时间线梳理被引最高的几篇社区基准论文，再给出数据学解释（5.4）与使用守则（5.5）。

5.1 社区基准代表论文全景表（数字均为论文自报口径）

论文	出处/DOI	方法要点	自报最佳成绩	备注
Qin et al. 2019	IEEE Access 8:20991-21002；10.1109/ACCESS.2019.2963053	KNN 插补缺失；六算法对比；LR+RF 感知机集成，十次仿真平均	RF 99.75%；集成 99.83%	被引 379+（2026-09 Google Scholar 口径），本数据集被引最高文献
Chittora et al. 2021	IEEE Access 9:17312-17334；10.1109/ACCESS.2021.3053763	七分类器 × 六种特征选择/SMOTE 组合的系统网格	DNN 99.6%；LSVM-L2 98.86%（SMOTE+全特征）/ 98.46%（SMOTE+LASSO）	预处理组合矩阵做得最系统的一篇
ANFIS-PSO 2026	10.62762/bish.2026.692582	ANFIS + PSO 调参；SMOTE 平衡	单分割 100%；5 折 CV 87.00%±3.59%	同文两口径相差 13 个百分点，基准通胀活标本（坑 8）；其医院口径写 Apollo Manamadurai
Sossi et al. 2019	（转引口径）	IBM SPSS XGBoost（linear booster）	100%（单分割）	单分割满分阵营
Gunarathne et al. 2017	（转引口径）	Azure ML Decision Forest	99.1%	云平台流水线代表
Al Imran et al. 2019	（转引口径）	FF-ANN 前馈神经网络	f1 0.99	报 f1 而非 accuracy 的少数派
Sharma et al. 2016	（转引口径）	决策树	98.60%	早期树模型代表
Charleonnan et al. 2016	（转引口径）	SVM	98.3%（灵敏度 0.99 / 特异度 0.98）	早期 SVM 代表
PLOS ONE 2024	10.1371/journal.pone.0295234	SMOTE 平衡 + 常规分类器组合	—	其描述统计口径 bp 均值 76.175（vs 本条目实算 76.47，见 §2.2 双口径存照）；医院口径写 Apollo Managiri

注：标注"转引口径"的五篇，其数字系经由综述性文献的 related work 章节转引获得，本编辑部未逐篇复核原文，引用时请回溯原文确认；Qin/Chittora/ANFIS-PSO/PLOS 四篇为本编辑部直接核验（IEEE Xplore、DOI 解析或开放学术索引交叉确认）。

5.2 Qin et al. 2019：379+ 引用是怎么炼成的

Qin et al.（西南大学与九州大学合作）2019-12-30 发表于 IEEE Access，是这个数据集事实上的"门面论文"。方法侧做对了三件事：其一，用 KNN 插补处理缺失而不是 dropna（保住 400 例样本量）；其二，六个算法同台（LR/KNN/NB/DT/RF/SVM）统一协议对比，而非单模型自夸；其三，报告十次仿真的平均而非单次运气。结果是 RF 99.75%、自构的 LR+RF 感知机集成 99.83%。它成为引用锚点的原因不难猜：数字高、协议看起来干净、开放获取。但请注意——即便协议如此规范，99.83% 这个数字仍应在 5.4 的"规则可分"背景下解读：它证明的是"在近乎可分的数据上，集成方法把边缘样本也磨平了"，而不是"该模型能推广到真实临床"。

5.3 Chittora et al. 2021 与"预处理组合矩阵"

Chittora et al.（Manipal University Jaipur 等）2021-01-22 发表于 IEEE Access，把工程做成了网格：七个分类器（LR/KNN/NB/DT/RF/SVM 变体/DNN）× 六种特征工程组合（全特征、LASSO、RFE、SMOTE 及其组合），共 42 组配置的系统对照。标志性结论：LSVM-L2 在 SMOTE+全特征下 98.86%，SMOTE+LASSO 下 98.46%；DNN 最高 99.6%。这篇论文的价值在"矩阵"本身——读者可以直接读出每个预处理选择带来的边际变化，也正因如此它暴露了该数据集的另一个坑：SMOTE 应该只施加在训练折内部。若先把全集 SMOTE 再切分，合成样本会把训练集的信息"过继"给测试集，指标进一步虚高。阅读一切"SMOTE 后 99%+"的数字时，先问一句：SMOTE 放在哪一步？

5.4 数据学核心：notckd 类的"规则可分"结构

本编辑部对官方 data.csv 的实测给出了文献高准确率的最简解释。150 例 notckd 患者在下列列上无一例外：

列	notckd 150 例的取值	ckd 组对照（混合取值）
al 尿白蛋白	全部 0	0-5 六档均有分布
su 尿糖	全部 0	0-5 六档均有分布
htn 高血压	全部 no	yes 147 例（几乎全在 ckd 组）
dm 糖尿病	全部 no	yes 137 例
cad 冠脉疾病	全部 no	yes 34 例
appet 食欲	全部 good	poor 82 例
pe 足部水肿	全部 no	yes 76 例
ane 贫血	全部 no	yes 60 例
rbc 尿红细胞	全部 normal	abnormal 47 例
pc 尿脓细胞	全部 normal	abnormal 76 例
sg 尿比重	只取	五档全用（1.005-1.020 集中在 ckd）

十一列、每列都是完美或近乎完美的类边界。换个说法：一条 11 条件的合取规则——“al=0 且 su=0 且 htn=no 且 dm=no 且 cad=no 且 appet=good 且 pe=no 且 ane=no 且 rbc=normal 且 pc=normal 且 sg≥1.020”——大概率就能把 notckd 一网打尽（规则在 ckd 组内的误伤率需实测，但方向上成立）。任何能学到这条规则的模型——决策树几个结点就够——都会在这个数据集上拿 95%+ 的准确率。99% 是数据的属性，不是模型的属性。

这同时解释了三个文献现象：

1. 单分割 100% 扎堆（5.1）：随机测试集里几乎全是规则样本，满分轻松；
2. 交叉验证后跌到 87-99%：每一折里总有若干"不守规则"的 ckd 患者被规则误判为 notckd——这些"难样本"决定了分数下限；
3. 模型间差距很小：Qin 六算法、Chittora 七分类器的高分段密集分布在 98-99.8% 之间——平台期由数据决定，算法差异被压缩在最后 1 个百分点里。

5.5 基准使用守则（写给想在这份数据上发论文/交作业的你）

1. 先报口径再报数字：分割方式（单分割/k 折）、随机种子数、SMOTE 位置、插补方法、是否 dropna——五要素缺一，数字无意义。
2. 分层 k 折（k≥5）× 多种子重复是底线：报告均值±标准差；单分割 100% 只能说明你跑了 once。
3. 别把高准确率当临床能力：本数据集的 notckd 规则可分结构（5.4）意味着它无法检验模型对"非典型 CKD"（如 al=0 的肾小管间质病）的识别力；向临床叙事过渡前请明确此局限。
4. 对比文献时对齐口径：跟 Qin 的 99.83% 对比前，先确认你也做了 KNN 插补+十次仿真平均；跟 ANFIS-PSO 的 87% 对比前，确认那是 5 折 CV 口径。
5. 报告类不平衡的完整指标：62.5%/37.5% 的不平衡不重，但准确率之外请给灵敏度/特异度/混淆矩阵——医疗场景里漏诊（ckd→notckd）与误诊代价不对称。

5.6 文献数字须回源核验：一次 wbcc 范围错误存照

本编辑部在交叉核对文献描述统计与官方 data.csv 实算时，捕获一例值得存照的错误：一篇发表于 PeerJ Computer Science 的基准论文在描述本数据集时，自报白细胞计数范围 “(2,200 to 4,800)”（尾注 14）——而本条目对官方 data.csv 的实测为 [2200, 26400]、均值 8406.12（§2.5）。4,800 与 26,400 相差五倍有余，最可能的解释是排版丢位（如 24,800 或 26,400 丢成 4,800）或作者使用了自行清洗的子集；同文其余特征的描述范围与实算一致，说明这是孤例而非系统性错误。

但孤例足以误导。任何读者若把"wbcc 上限约 4,800"当作数据画像，会把实测分布中约六成的正常值判为"异常偏高"——因为 4,800 连临床参考下限（5,000）都不到。这个案例的方法学教训有三条：

1. 文献描述统计不可直接搬用：引用任何"数据集范围/均值"前，回源到官方文件实算一次（本条目附录 F 提供复算脚本）；
2. 跨文献数字打架时以官方文件为准：两条文献口径冲突不是"各有一理"，通常一方存在排版或清洗口径问题——先复算，再裁决；
3. 转引必须标注：本条目 §5.1 中五篇早期文献的数字即转引口径、已如实标注"未逐篇复核"——这是同一纪律的另一面。

5.7 两篇 IEEE Access 基准的确证档案与被引对照

§5.2/§5.3 叙述了两篇旗舰基准的方法；这里给出可直接核验的完整书目档案与被引对照（2026-09-29 口径）：

项	Qin et al. 2019	Chittora et al. 2021
DOI	10.1109/ACCESS.2019.2963053	10.1109/ACCESS.2021.3053763
出处	IEEE Access 卷 8，页 20991-21002	IEEE Access 卷 9，页 17312-17334
出版日	2019-12-30	2021-01-22
机构	西南大学（重庆）×九州大学（日本）	Manipal University Jaipur 等
预处理	KNN 插补（保 400 例样本量）	七分类器×六种特征选择/SMOTE 组合矩阵（42 组配置）
自报最佳	RF 99.75%；LR+RF 感知机集成 99.83%（十次仿真平均）	DNN 99.6%；LSVM-L2+SMOTE 98.86%；LSVM-L2+LASSO+SMOTE 98.46%
Google Scholar 被引	379	378
贡献类型	协议干净的高分锚点（被引锚）	预处理边际效应矩阵（工程参照）

两篇被引几乎持平（379 vs 378），但贡献类型不同：Qin 的角色是"数字锚点"——后续论文需要一个可比的最高分时引用它；Chittora 的角色是"工程手册"——后续作者选择预处理组合时引用它。引用它们时应当说清引用的是哪一类贡献；只引一个 99.83% 或 99.6% 的数字而不提协议（KNN 插补、十次平均、SMOTE 位置），正是 §8.1 审稿人五问里第 4 问的典型失分场景。

§6 获取与许可：三通道、版本链与 DAIMS 评估

6.1 获取三通道（2026-09-29 实测全通）

通道	URL	实测状态	用途
官方页面	https://archive.ics.uci.edu/dataset/336/chronic+kidney+disease	HTTP 200（212 KB HTML 实抓）	元数据、变量说明、引用格式、citation 面板
API	https://archive.ics.uci.edu/api/dataset?id=336	HTTP 200（JSON 6,786 字节）	自动化元数据拉取（含 data_url、creators、num_features 等）
数据本体	https://archive.ics.uci.edu/static/public/336/data.csv	HTTP 200（45,092 字节）	唯一官方机读格式，本条目一切实测的对象

下载包里的 zip（19,410 字节）解开后是 Chronic_Kidney_Disease.rar（18.8 KB）——官方页面自己也这么标；Linux/macOS 默认无 unrar，别纠缠，直接走 data.csv（坑 5）。

6.2 版本链与断代史

• 2015：数据集创建（API year_of_dataset_creation: 2015）；2015-07-02 捐赠 UCI（官方页口径）。
• 旧版布局时代（2015-2023）：以 .arff（Weka 格式）与 .csv 分发，社区熟知的 chronic_kidney_disease.arff / chronic_kidney_disease_full.arff 属于这一代；大量教程的脏值传说（\t? 型脏值"17 处"之说）源自这一代文件。
• 2023：UCI 平台改版，分配 DOI 10.24432/C5G020，旧版文件路径全部下线（实测 404）。
• 2024-03-04：元数据更新（API last_updated 字段口径），非数据内容变更。
• 现在：仅提供 data.csv。注意断代风险：你拿到的若是旧教程镜像的 ARFF 转换版，其行序、脏值、甚至列名可能与官方 data.csv 不一致——数字对不上时先查版本（坑 5）。

6.3 License：CC BY 4.0

UCI 官方口径 CC BY 4.0：允许商用、允许再分发与衍生、唯一义务是署名。对 AI-Ready 场景（模型训练、数据集混合、管线再分发）几乎没有摩擦点。署名实践按 UCI 官方引用格式（6.4）。无附加限制层；旧版衍生镜像（各大学课程页、Kaggle 镜像）的再分发许可随官方口径，但内容保真度自行验证。

6.4 引用格式（UCI 官方口径）

Rubini, L., Soundarapandian, P., & Eswaran, P. Chronic Kidney Disease [Dataset]. UCI Machine Learning Repository. https://doi.org/10.24432/C5G020 .

6.5 DAIMS AI-Ready 评估表（本编辑部评定，2026-09-29）

维度	得分	评语
D — Documentation 文档完备度	3/5	有官方摘要、变量表、引用格式；但无伴生论文、标签判定标准未注、采样方式未载、医院城市三口径（坑 6）
A — Accessibility 可获取性	5/5	CC BY 4.0 无注册门槛；官方页/API/data.csv 三通道全通；45 KB 单文件即取即用
I — Interoperability 互操作性	4/5	标准 CSV、列名简短；扣分项：NaN 字面量需清洗（坑 3）、ckd\t/\tno 脏值（坑 1/坑 2）、等级列语义需人工对齐
M — Metadata quality 元数据质量	2/5	pcv 缺单位字段、bu/sod 类型标 Integer 实测含小数、feature_types 汇总失真（坑 9）；API 与页面口径基本一致但粒度粗
S — Sustainability 可持续性	4/5	UCI 官方长期托管、DOI 固定、2024 年仍有维护动作；扣分项：旧版布局整体断代（坑 5），历史链接不可追溯
合计	18/25	AI-Ready 定级：良好——获取零摩擦、清洗有地雷、元数据靠本条目补课

§7 生态位：教科书级小数据的江湖地位

7.1 在 UCI 系里的位置

CKD-UCI 与 Iris（1936）、Heart Disease（1988）、Pima Indians Diabetes（1990）并列 UCI 的"教科书四天王"级别存在——它们的共同特征：小样本、混合类型特征、二分类/多分类清晰、够简单到能在一节课里完整走完"加载-清洗-建模-评测"闭环。CKD-UCI 在其中的差异化生态位是**"缺失值处理+不平衡分类+特征工程"三合一**：Iris 无缺失、Pima 缺失伪装成 0、Heart Disease 缺失用 “?”，而 CKD-UCI 的 10.12% 显式缺失加脏值三连（坑 1-3），使它成为讲缺失工程时最合适的活体教材。

7.2 引用体量旁证

无官方伴生论文的数据集，引用体量挂在社区论文上：仅 Qin et al. 2019 一篇即 379+ 引用（2026-09 口径）；以"chronic kidney disease dataset"为关键词的文献横跨 IEEE Access、Applied Soft Computing、BMC Nephrology、PLOS ONE 等刊，衍生文献总量估计以千计。Kaggle 上存在多个镜像版本（最热门镜像获数万次下载与数百个公开 notebook），教程生态（Medium/CSDN/GitHub notebook）中出现频率极高。

7.3 教学中的三个经典用法

1. 缺失值工程课：10.12% 缺失 + 整块缺失结构（§3.3）→ 演示 dropna 的代价、插补策略对比、缺失指示列技巧；
2. 不平衡与评测课：62.5%/37.5% + 规则可分结构（§5.4）→ 演示准确率失真、混淆矩阵、为什么"99% 但不临床"；
3. 数据清洗实战课：脏值三连 + 极端值四连（坑 1/2/3/7）→ 演示 value_counts 体检法、逐列 strip、医疗数据极端值的"逐例辩护"原则。

7.4 库外的近亲数据集

与 CKD-UCI 常被放在一起比较的库外数据：Pima Indians Diabetes（UCI 768 例、同样"小而脏"的代谢病表格）、Heart Disease（Cleveland 303 例、同样多指标组合判别）、Chronic Kidney Disease 的 Kaggle 衍生镜像（多含社区清洗版——口径漂移风险见坑 5）。库内直系与近邻见 §10。

7.5 四天王对比：一页看懂差异化生态位

维度	CKD-UCI（本条目）	Iris (1936)	Pima Indians Diabetes (1990)	Heart Disease (1988, Cleveland)
规模	400×25	150×5	768×9	303×14
任务	二分类（ckd/notckd）	三分类（鸢尾种）	二分类（糖尿病）	二分类（心脏病）
特征类型	11 数值 + 14 等级/二值	全数值	全数值	数值+类别混合
缺失	10.12% 显式 NaN	无	缺失伪装成 0（隐形）	“?” 显式标记（轻度）
脏值	3 处（含制表符）	无	无	无
教学卖点	缺失工程+不平衡+基准通胀	纯入门第一课	隐形缺失与域偏移	多指标组合判别
著名陷阱	99% 基准通胀（规则可分，§5.4）	一类线性可分	0 值当真值	多仓库版本口径混杂

注：Iris / Pima / Heart Disease 三列的规模与特征类型为社区通用口径，本条目未逐项复测，引用请以各自官方页为准；本表仅用于生态位对照。四份数据的对照价值在于："缺失"这一维度上四者恰好构成四级梯度（无缺失 → 隐形缺失 → 轻度显式缺失 → 重度显式缺失）——按这个梯度组织系列课，正好把缺失值工程从浅到深讲透，CKD-UCI 永远是压轴的那份。

§8 方法学批判指南：如何审阅一篇用 CKD-UCI 的论文

8.1 审稿人五问

1. n 是多少？ 原始 400、dropna 后 158、还是插补后 400——n 变了，人群就变了（坑 4）。凡未报告 n 的，一律按最可疑口径质疑。
2. SMOTE 放在哪一步？ 切分前 SMOTE = 标签泄漏（5.3）；正确做法是只对每个训练折内部施加。论文未说明 SMOTE 位置时，99%+ 数字自动降权。
3. 分割协议是什么？ 单分割 100% vs 5 折 CV 87% 的 13 个百分点落差（坑 8）意味着：没有交叉验证与多种子的论文，不具备对话资格。
4. 对比对象口径一致吗？ 跟 99.83%（Qin，KNN 插补+十次平均）比，还是跟 87%（ANFIS-PSO，5 折 CV）比？不同口径的差距不是模型优劣，是协议差异。
5. 临床叙事越界了吗？ "该模型可用于 CKD 筛查"与"该模型在 400 例近乎规则可分的样本上准确率 99%"之间隔着一整条推广性鸿沟（8.3）。

8.2 数据规模的现实边界

n=400（其中 notckd 仅 150）意味着什么：单折测试集约 80 例，其中 notckd 约 30 例——测试集里 notckd 侧每错 1 例就是 3 个百分点的波动；按类分层后做亚组分析（老年 vs 儿科、糖尿病 vs 非糖尿病）几乎必然落入稀疏格。因此本数据集适合支撑的结论类型是：方法学演示、教学、原型验证（proof of concept）、插补/特征工程方法的相对比较；不适合支撑的结论类型是：临床性能声明、人群流行率推断、亚组差异检验、对真实患病率的任何外推。

8.3 从表格基准到临床落地的距离

三道鸿沟，一道比一道宽。第一道是人群：本样本来自单一医院集团、约两个月采集窗、抽样方式未载——对其他地区、其他就诊结构的人群无代表性证据。第二道是标签：ckd/notckd 判定标准不可追溯（§1 Q7），真实临床 CKD 诊断依赖 eGFR 与病程（K trace 需 ≥3 个月的证据），而本数据集无 eGFR、无时间维度、无分期——模型学的是"这批医生的判断"，不是 CKD 本身。第三道是特征可得性：现实筛查场景未必有 24 项全检，而本数据集恰恰在"检验齐全"与"只有问诊"两种场景间没有做任何分层——一个在 wbcc/rbcc 缺失 30% 的数据上训练的模型，如何面对只做了问诊的患者？这些不是数据集的"缺陷"，而是它作为教学样本的边界；越界使用才是缺陷。

§9 使用指南：三类读者的行动清单

INFOBOX 与 §1 回答"这是什么"，本节回答"我该从哪一步开始"。按三类典型读者给出可执行清单；所有步骤都指向本条目已有的节与附录，不引入外部依赖。

9.1 教学者：把 45 分钟课拆成四个演示包

时间	演示包	用到的数据事实	条目锚点
0-10 min	加载与体检	value_counts 后 class 出现 3 个"类别"（ckd 248 / ckd\t 2 / notckd 150）	坑 1、附录 A
10-25 min	缺失工程	dropna 400→158；rbc 缺 38%；缺失模式整块化	§3.1-§3.3、坑 4
25-40 min	建模与协议	单分割 100% vs 5 折 87.00%±3.59%（ANFIS-PSO 2026 同文两口径）	坑 8、§5.1
40-45 min	反思讨论	notckd 十列规则可分 → “99% 是数据的属性，不是模型的属性”	§5.4

备课三件套：附录 B（清洗要点代码）、附录 F（核心数字复算脚本，课前跑一遍确认你的 data.csv 与本条目实测同源）、附录 G（十大反模式，可作课后测验题库）。

9.2 方法研究者：五步协议（缺失/插补/不平衡研究适用）

1. 冻结口径：跑附录 F 脚本，逐条断言通过后再开始——确保你的 data.csv 与本条目实测同源（45,092 字节、1012 缺失格、158 完整行、三处脏值行号、四连极端值）。
2. 先做缺失机制分析再做插补：对缺失模式聚类（§3.3 的"整块缺失"结构），报告缺失指示变量与 class 的相关；这一步的结论决定插补策略的合法性（§3.4）。
3. 至少三臂对比：朴素插补 / 模型插补（KNN、MICE）/ 原生 NaN 通道（XGBoost、LightGBM），统一评测协议（第 4 步），并对插补前后分布做对照（§3.5）。
4. 严格协议：分层 5 折 × ≥10 随机种子；插补、SMOTE、特征选择全部只进训练折（用 Pipeline 实现）；报告均值±标准差与每折混淆矩阵（坑 8、§5.3）。
5. 结论边界声明：按 §8.2 的"适合/不适合"清单声明你的结论类型；涉及临床叙事时逐条对照 §8.3 的三道鸿沟。

9.3 临床信息学入门者：三遍读法

• 第一遍（15 分钟）：INFOBOX → §0 导读 → §1 十问十答。建立"400 行表格、五组特征、10.12% 缺失、62.5%/37.5% 类分布"的全景。
• 第二遍（30 分钟）：§2.9 临床参考区间 → §3 缺失解剖 → §4 九坑全景。理解每个数字背后的医学刻度与每颗地雷的精确位置。
• 第三遍（45 分钟）：§5.4 规则可分 → §8 方法学批判 → FAQ。理解"为什么 99% 不可信"，以及如何审一篇用了这份数据的论文。
• 延伸路径：库内互链见 §10——去 mimic-iv-clinical-database (4) 与 mimic-iii (106) 看同一批化验指标（肌酐/尿素/电解质/血常规）在真实 EHR 规模下的形态，对照本集"单时点快照"的方法学局限（§8.3）。

9.4 数据工程师：入库前五道门禁

1. strip 全表 object 列（军规 1），断言 class 仅剩 {ckd, notckd}、dm 仅剩 {yes, no}；
2. 显式声明 “NaN” 字面量为缺失（军规 3）——非 pandas 工具链（SQL/BI/自研解析器）必做；
3. 极端值四连（pot 47 / sc 76 / bgr 22 / sod 4.5）逐例处置并留痕（军规 7）；
4. 入库后回读断言：行数 400、列数 25、缺失率 10.12%——与附录 F 同源；
5. 数据目录标注：“UCI ID 336，data.csv 口径，CC BY 4.0，引用格式见 §6.4”。

§10 库内互链：在千方病案医数集里的位置

以下 rid 均为 2026-09-29 库内实查结果。

库内条目	rid	互链类型	互链理由
parkinsons-voice-uci	444	UCI 直系兄弟	同为 UCI 捐赠型教学级医疗小样本基准（语音学任务）；同为"捐赠者直捐、无伴生论文"模式；对比"小样本医疗基准的两种形态"（表格 vs 信号）
drug-reviews-uci	485	UCI 直系兄弟	同为 UCI 捐赠型医疗数据（患者用药评价文本+评分）；对比"UCI 医疗数据的脏值与清洗负担"议题
mimic-iv-clinical-database	4	规模两极对照	EHR 化验检验库（数十万住院 vs 本集 400 例）；同一批检验指标（肌酐/尿素/电解质/血常规）在两种规模下的建模形态
mimic-iii	106	规模两极对照	同上；且 mimic 系的"单元/时序"结构可反衬本集"单时点快照"的方法学局限（8.3）
stroke-scale-mimic-iii	596	方法学近邻	临床表格变量+临床量表评分的建模任务；缺失值处理与"临床判定 vs 化验数值"双记录结构（ane vs hemo）两边同构

建议的互链叙事：UCI 教学系（444/485，“小数据的纪律”）、EHR 规模对照（4/106，“同一批化验指标的两极”）、方法学议题（缺失值/不平衡/基准通胀，与本条目 §3/§4/§5 三节互文）。

§11 避坑清单：十条军规速查

序	军规	触发的坑
1	读入后全表 str.strip()，第一件事	坑 1（ckd\t）、坑 2（\tno）
2	value_counts() 逐列体检，类别数对不上表就停	坑 1、坑 2、坑 3
3	确认 “NaN” 字面量被你的工具链识别为缺失	坑 3
4	永远报告 dropna 前后的 n 与类别分布	坑 4
5	下载认准 static/public/336/data.csv，镜像内容先 diff 再用	坑 5
6	医院城市写"泰米尔纳德邦"，城市三口径只做存照	坑 6
7	极端值逐例辩护：不可能值按疑错处理、罕见可能值保留，处理过程逐值记录	坑 7
8	分层 k 折（k≥5）× 多随机种子，报均值±标准差	坑 8
9	SMOTE 只进训练折；插补只进训练折	坑 8、§5.3
10	属性数写"24 特征+1 标签"；等级列（sg/al/su）按序数处理	坑 9

§12 总结

Chronic Kidney Disease (UCI) 是 400 行代码都嫌短的表格数据集，却是机器学习医学应用的一面高清镜子。它的"好"干净利落：CC BY 4.0 零摩擦获取、45 KB 即取即用、24 个特征横跨五组临床检查体系、类别与任务定义清晰。它的"坏"也干净利落：10.12% 的非随机缺失、仅 39.5% 的完整行、脏值三连、四个疑似错位的极端值、以及一个官方从未解释过的标签黑箱。而它的"最深"在于：notckd 类近乎规则可分的结构，让它成了"基准通胀"现象最诚实的标本——在这里，99% 是数据的属性，不是模型的属性。

本编辑部定级：AI-Ready 良好（DAIMS 18/25，§6.5 逐维详注见附录 M）。教学与基准方法学研究的一等公民；临床叙事与真实世界推断的禁区。

三句临别赠言：给教学者——§9.1 的四个演示包，每一个都能在一节课内引爆一次"原来如此"；给研究者——先跑附录 F 再写第一行插补代码，口径冻结是方法学研究的第一美德；给临床信息学入门者——把 §2.9 的三个警示框贴在显示器边上，比任何长文都管用。

FAQ：三十八个高频问题

F1：我可以用这个数据集训练一个真的给医院用的 CKD 诊断模型吗？
不可以把它当作临床就绪证据。标签判定标准不可追溯、人群单一医院、无 eGFR 与时间维度、无分期信息——它适合教学与原型验证，临床落地需要前瞻性、多中心、标签口径明确的数据（对比库内 mimic-iv-clinical-database (4) 的 EHR 路径）。

F2：我该 dropna 吗？
默认不要。dropna 后只剩 158 例（39.5%），且被删行非随机（§3.3）。优先用缺失指示列或树模型原生 NaN 通道；若必须 dropna，报告前后 n 与分布对照（坑 4）。

F3：为什么我跑出来只有 85%，论文里都是 99%？
先查四件事：是否 dropna 掉了样本、是否用了分层 k 折（论文的单分割分数普遍虚高）、SMOTE 放在哪一步、极端值是否处理过。如果你的 85% 是认真 5 折 CV 的结果，它比论文里的单分割 100% 更值得信任（坑 8、§5.4）。

F4：SMOTE 到底放在哪一步？
只放在每个训练折内部：先切分，再对训练折 SMOTE，测试折保持原分布。先对全集 SMOTE 再切分会让合成样本"过继"信息给测试集，属于标签泄漏（§5.3）。

F5：这份数据有性别列吗？
没有。UCI demographics 只登记 Age。任何论文里的"男女比例"叙述都是无源之水。

F6：有儿童患者吗？
有。age 最小 2 岁、最大 90 岁（实测 n=391）；data.csv 行 188 是 8 岁患儿（也是 dm 脏值 \tno 的所在行，坑 2）。做成人研究时按年龄标准剔除，别当异常值丢。

F7：al 和 su 的 0-5 是什么单位？
不是单位，是等级（ordinal）：0=无，5=最重。al 是尿白蛋白等级、su 是尿糖等级。建模按序数处理，别当连续变量。

F8：pcv 的单位是什么？
UCI API 没有给 pcv 单位字段（24 列中唯一，坑 9）。临床惯例 PCV（红细胞压积）以百分比报告，实测范围 [9, 54] 与百分比口径吻合。使用时自行注明"按 % 解读"。

F9：哪个单特征判别力最强？
血清肌酐 sc：ckd 组均值 4.41 vs notckd 组 0.87（§2.8），且它是 eGFR 的输入变量、临床意义直接。但注意 max 76 疑似小数点错位（坑 7），用前先处理。

F10：能做 CKD 分期任务吗？
不能。标签只有 ckd/notckd 二值，无 1-5 期信息，官方也未提供 eGFR 或肌酐清除率列。分期研究请转向 EHR 类数据（库内 mimic-iii (106)）。

F11：旧版 .arff 和现在的 data.csv 有什么区别？
旧版是 Weka ARFF 格式，2023 平台改版后路径全部 404；社区教程传说的 \t? 型脏值（"17 处"之说）属于旧版文件，现已无法实证。官方现仅提供 data.csv，本条目一切实测以它为准（坑 5、附录 D 存照）。

F12：引用时的 DOI 是什么？
DOI 10.24432/C5G020（2023 年平台改版后分配）。完整引用格式见 §6.4。

进阶问题（F13-F38，按主题分五组）

组 A：数据本体与口径

F13：为什么 45 KB 的数据集值得一条百科条目？
体积小，方法学密度高。三个理由：其一，它是缺失工程的完备标本——10.12% 缺失、整块缺失结构、三处脏值、字面量 “NaN”，几乎每个缺失值议题都能在它身上演示；其二，它是基准通胀的活体样本——同一篇论文里单分割 100% 与 5 折 CV 87% 并存（坑 8），“99% 是数据的属性"这句话在别的数据集上要论证半天，在这里一眼看穿；其三，CC BY 4.0 零摩擦获取使它成为公共讨论的"地板”——人人拿得到同一份文件，数字对不上就能当面对质。

F14：data.csv 的行号怎么数？
本条目行号一律为 pandas read_csv 后的 DataFrame 0 基索引（数据行序号，不含表头行）：“行 37” 是第 38 条数据记录，对应 df.iloc[37]，对应文本文件的第 39 物理行。跨文献对照行号时先对齐口径——"0 基不含表头 / 1 基不含表头 / 含表头"三种口径各差一位，是行号引用混乱的根源（附录 C）。

F15：有患者 ID 吗？隐私上要注意什么？
没有 ID、姓名、性别、日期列，天然低再识别风险。但"CKD 诊断 + 特定检验组合"在小人群下仍有重识别可能，CC BY 4.0 许可不豁免机构伦理评估义务——再分发或公开演示前按你所在机构的流程过一遍。

F16：同一列会不会有多种编码形态？
官方 data.csv 的 rbc/pc 列实测只有 {normal, abnormal} 两种取值（NaN 除外），没有传闻中的 1/0 数值形态混录（本编辑部逐值实测；早年间社区教程描述的混合编码属于旧版 ARFF 文件，已断代无法实证，见坑 5）。清洗时仍建议对全部 object 列做取值集合断言，防止镜像文件引入形态混杂。

F17：sg 为什么只有五档？
官方按 Categorical 登记，实测 1.005/1.010/1.015/1.020/1.025 五档（计数 7/84/75/106/81，NaN 47）。对应比重计读数的固定档位习惯与两位小数的存储精度。建模按序数处理（§2.3、§2.9 警示框二）。

F18：bu 和 BUN 是一回事吗？
不是。bu=血尿素（blood urea）；BUN=血尿素氮 ≈ 尿素 × 0.467，换算回去尿素 ≈ BUN × 2.14。临床"BUN 正常 7-20 mg/dL"翻译到本数据集 bu 口径约为 15-40。大量教程把 bu 直接当 BUN 套 7-20 区间，会把参考上限压低一半以上。详见 §2.9 警示框一。

组 B：临床语义

F19：血清肌酐多少算异常？
男 0.6-1.3 / 女 0.5-1.2 mg/dL（三源口径，尾注 11-12）；本数据集 ckd 组均值 4.41 已远超上限，最强单变量（§2.8）。另注意：主流 eGFR 公式（CKD-EPI 等）需要性别输入，本数据集无性别列，读者无法从 sc 自行复算 eGFR。

F20：什么是等渗尿？和 sg 列什么关系？
尿比重固定于 1.010±0.003 的"等渗尿"提示肾浓缩与稀释功能严重受损。ckd 组 sg 向 1.005-1.015 低档集中，与该临床画像吻合；notckd 组只取 1.020/1.025 两档（§5.4）。

F21：al 的 0-5 等级和 KDIGO 的 ACR 分级是一回事吗？
不是。al 是 0-5 半定量等级；ACR 是 mg/g 定量体系（A1 <30 / A2 30-300 / A3 >300）。二者不可换算，把"al=3"写成"A3 期"是审稿中真实出现过的错误（§2.9 警示框三）。

F22：KDIGO 的 CGA 分期是什么？这份数据能做分期吗？
CGA 三轴=病因（Cause）+GFR 分期（G1 ≥90 / G2 60-89 / G3a 45-59 / G3b 30-44 / G4 15-29 / G5 <15 mL/min/1.73m²）+白蛋白尿（A1/A2/A3），KDIGO 2024 官方口径。本数据集无 eGFR 列、无病程时间维度、无 ACR 定量——无法映射，只能做"疑似 CKD vs 非 CKD"二分类（§2.9 背景框）。

F23：hemo/pcv/rbcc 三个贫血指标什么关系？
同一贫血轴的三种测量：hemo 血红蛋白浓度（g/dL）、pcv 红细胞压积（%，经验上≈hemo×3）、rbcc 红细胞计数（百万/µL）。三者强共线，线性模型慎同喂（§2.5）。ane 是问诊判定的定性记录，与三者的"定量"侧构成双记录结构（§2.6）。

F24：wbcc 的正常范围是多少？文献里的 4,800 是怎么回事？
临床参考 5000-10000/mm³；官方 data.csv 实测范围 [2200, 26400]、均值 8406.12。有论文自报 “(2,200 to 4,800)”，与实算相差五倍，疑排版丢位（§5.6 存照）——文献描述统计必须回源核验。

组 C：清洗实操

F25：strip 之后还有哪些体检动作？
逐列 dtype 与取值集合复核（军规 2）：object 列的取值集合与 §2.1 表逐列对照；数值列的小数/整数口径核对（bu 实测含 1.5、sod 实测含 4.5，而 API 标 Integer，坑 9）；等级列档位完整性（sg 五档、al/su 0-5）。

F26：极端值应该删掉还是保留？
按坑 7 原则分两类：违反生理底线的（pot 47、sod 4.5、bgr 22——心搏骤停阈值与不可存活值）按疑错处置（置缺失并留痕）；罕见但可能的（sc 10+、bu 391）保留并做稳健变换。逐例记录理由，禁止"见大数就删"——医疗数据里极端值常常是病情本身。

F27：缺失指示列怎么做？
df.isna().astype(int) 后加 _missing 后缀加回特征矩阵；或直接用 XGBoost/LightGBM 的原生 NaN 通道让模型自学缺失含义（§3.5 第 4 派）。指示列本身也要纳入 §5.5 的口径报告。

F28：均值插补还有什么坑？
其一，SimpleImputer 必须放进 Pipeline 只在训练折 fit——全表 fit 是泄漏（§5.3）；其二，38% 缺失的 rbc 列会被插成一根常数柱，方差被系统性低估（§3.5）；其三，插补后必须做分布对照（F29）。

F29：怎么验证清洗没有改变人群画像？
清洗前后各跑一遍附录 F 断言脚本 + 逐列均值±标准差对照表；类别分布、缺失率、极端值处置清单三项有任何漂移即回查。附录 F 脚本可直接跑两遍对比输出。

组 D：建模与评测

F30：规则可分结构怎么自己验证？
两条路：其一，对 notckd 150 例断言十列规则（附录 F 已含此断言——150 例在 al/su/htn/dm/cad/appet/pe/ane/rbc/pc 十列上零违反）；其二，限深 3-4 层训练一棵决策树，检查学到的分裂是否就是 §5.4 的合取规则。量化补充：ckd 组 250 例中十列规则零违反的有 17 例（含行 188 患儿），其中 14 例靠 sg 低档（1.005-1.015）与 notckd 区分开。

F31：报告哪些指标才够专业？
准确率之外：灵敏度/特异度、按类精确率/召回/F1、混淆矩阵、ROC-AUC；分层 5 折×≥10 种子的均值±标准差；n 与清洗口径（400 / 158 / 插补后）必须随行。医疗场景里漏诊（ckd→notckd）与误诊代价不对称，混淆矩阵不可省（§5.5）。

F32：深度学习在这个数据集上有意义吗？
样本量上无优势：Chittora DNN 99.6% 与 RF/LSVM 98-99% 的高分密集带差距在种子噪声内（§5.7）；400 例表格数据不足以支撑深度网络的容量优势。意义限于框架教学；用本数据集论证"深度学习更强"是反模式（附录 G-9）。

F33：怎么切分才不泄漏？
先切分；插补、SMOTE、特征选择只进训练折；分层保持类比；固定 ≥10 种子报告分布。口诀：任何跨训练/测试的信息流动都按泄漏处理（§5.3、坑 8）。切分前 strip 与极端值处置属于"数据卫生"可以全表做——但基于全表统计的变换（标准化、目标编码）不行。

F34：和 Pima、Heart Disease 比，教学上怎么选？
纯入门选 Iris；讲缺失工程选 CKD-UCI（显式 NaN + 整块缺失 + 脏值三连，教材最完备）；讲代谢病叙事选 Pima（缺失伪装成 0 的另一类典型）；讲多指标组合判别选 Heart Disease。CKD-UCI 的差异化生态位="缺失+不平衡+特征工程"三合一（§7.1）。

组 E：获取与引用

F35：想引用被引最高的基准论文怎么写？
Qin, C. et al., IEEE Access 8:20991-21002, 2019-12-30, DOI 10.1109/ACCESS.2019.2963053。引用时注明它是社区基准、非官方伴生（本数据集无官方论文，API intro_paper: null），并在对比数字前写清其协议（KNN 插补 + 十次仿真平均）。

F36：能把 data.csv 重新分发吗？
CC BY 4.0 允许，义务仅署名（§6.3）。再分发时附 UCI 官方引用（§6.4）并注明你做过的任何清洗——清洗版与原样的差异必须在数据卡里写清，否则复现者会在你的口径上浪费半天（坑 5 的镜像教训）。

F37：有官方 train/test 划分吗？
没有。官方只分发 data.csv 一个文件；你见到的任何"官方划分"都是社区自制。引用对比时须注明划分协议，无法确认协议的数字不具备对话资格（§5.0、§5.5）。

F38：有"画像像健康人却标 ckd"的样本吗？
有，且可以精确量化：ckd 组 250 例中有 17 例在十列规则上零违反（df 索引 6、64、102、105、110、117、119、131、174、182、188、192、209、211、216、218、220），其中 3 例 sg 也落在 notckd 的 1.020 档——仅凭十列+sg 规则会被判为 notckd。它们是"标签黑箱"（附录 E 第 1 条）与 §5.4 "难样本"的真实实体：要么标签判定用了本数据集之外的信息（如 eGFR 病程），要么存在误标——官方未载，无法裁决。正确姿势是把这 17 个索引存照引用，而不是替官方编一个解释。

F39：想复现 Qin 2019 的 99.83%，具体步骤？
先说结论：不可完全复原——论文未公开切分种子、KNN 插补的 k 值等全部细节。最小可信复现路径：官方 data.csv → strip 清洗 → KNN 插补 → 分层 5 折 × 10 种子 → RF 与你关心的模型同台 → 报告自己的分布。你的分布大概率落在 97-99.5% 区间，与 99.83% 同层即可视为协议一致；逐点对齐单次数字没有意义（§5.5）。

F40：审稿人问"为什么用这么小的数据集"怎么回应？
三层回应框架：其一，定位——方法学演示与教学，非临床性能声明（§8.2）；其二，理由——规则可分结构使它成为基准通胀的标准测试床，附录 G 十大反模式都能在它身上复现，这是 400 例能买到的独特方法论价值；其三，补强——承认单一局限，补一组大规模 EHR 对照实验（如库内 mimic-iv-clinical-database (4)），展示同一方法在真实规模下的行为差异。

F41：能自己采数据把它扩充吗？
可以，但别混。新数据必须自带标签口径说明（否则重演"标签黑箱"）；合并产物是"新数据集"而非"CKD-UCI 扩充版"——两个来源的采样机制、检验方法、标签标准都不同，混采会让 10.12% 缺失结构的分析失效。正确姿势：分开发布、各自引用，实验部分做"CKD-UCI 单独 / 新集单独 / 合并"三臂报告（F36 的数据卡纪律同样适用于新集）。

F42：儿科样本怎么处理？
实测 age<18 有 19 例（2-17 岁），age≥18 共 372 例，另有 9 例年龄缺失。成人研究按 df[df.age>=18] 剔除即可，剔除后重跑附录 F 断言并报告前后分布；把 8 岁患儿当"异常值"丢是语义错误——他不是错值，是儿科患者（FAQ F6、坑 2）。

F43：为什么不直接用 t 检验看组间差异？
可以看（§2.8 就是分组均值），但三件事让它不稳：极端值（坑 7）破坏正态与方差齐性；等级列（sg/al/su）不是连续变量；组间差异大 ≠ 单列可判——判别力来自列的组合（§5.4）。更稳的组合：Mann-Whitney U + 效应量（如 Cliff’s delta），等级列用秩检验。

F44：三位创建者的机构归属有官方说法吗？
没有。UCI 页面与 API 都只给姓名（L. Rubini、P. Soundarapandian、P. Eswaran），机构归属官方未载（附录 E-3）；文献转述一般认为 Soundarapandian 对应 Apollo 医院方，但无官方确认。引用时照 §6.4 官方格式写姓名即可，机构归属留空。

事实清单：三十八条硬事实速查

1. UCI Machine Learning Repository 数据集 ID 336；slug chronic-kidney-disease-uci。
2. DOI 10.24432/C5G020；license CC BY 4.0。
3. 官方 data.csv 45,092 字节，401 行 = 表头 + 400 数据行，25 列。
4. 24 特征 + 1 标签；UCI API num_features: 24；论文"25 attributes"口径含 class。
5. 捐赠者：L. Rubini、P. Soundarapandian、P. Eswaran（API creators 原样）。
6. 捐赠日 2015-07-02；创建年 2015；元数据最后更新 2024-03-04。
7. 采集医院 Apollo Hospitals（印度泰米尔纳德邦）；城市三口径：Managiri / Manamadurai / Karaikudi(maybe)。
8. 官方摘要原文称采集期 “nearly 2 months of period”。
9. 无官方伴生论文（API intro_paper: null）；无官方划分与榜单。
10. 类别原样：ckd 248 + ckd\t 2 + notckd 150；归一 250/150（62.5%/37.5%）。
11. 脏标签行：data.csv 行 37 与行 230（class=ckd\t）。
12. dm 脏值行：行 188（dm=\tno，age=8 患儿，hemo 12.2）。
13. 全表缺失 1012/10000 格 = 10.12%；缺失以字面量字符串 “NaN” 表示。
14. 24 个特征列全部存在缺失；缺失冠军 rbc 152 格（38.0%）。
15. 零缺失完整行仅 158 例（39.5%）；重复行 0。
16. 数值列 11 个、字符串/等级列 14 个；sg 实测仅 5 个离散值（1.005-1.025）。
17. al 等级计数：0×199 / 1×44 / 2×43 / 3×43 / 4×24 / 5×1（NaN 46）。
18. su 等级计数：0×290 / 1×13 / 2×18 / 3×14 / 4×13 / 5×3（NaN 49）。
19. age 实测 51.48±17.17，范围 [2, 90]，n=391。
20. bp 实测 76.47±13.68，范围 [50, 180]；PLOS ONE 2024 论文口径 76.175（双口径存照）。
21. sc 实测 3.07±5.74，范围 [0.4, 76]；76 疑似 7.6 错位。
22. pot 实测 4.63±3.19，范围 [2.5, 47]；47 疑似 4.7 错位。
23. bgr 范围 [22, 490]；22 为生理不可存活值，疑漏位。
24. pcv 是 UCI API 变量表中唯一无 units 字段的列。
25. ckd vs notckd 分组均值：sc 4.41/0.87；hemo 10.65/15.19；pcv 32.94/46.34；bgr 175.42/107.72。
26. 150 例 notckd 在 al/su/htn/dm/cad/appet/pe/ane/rbc/pc 十列上取值完全规则，sg 只取 {1.020, 1.025}——任务近乎规则可分。
27. 社区基准：Qin et al. 2019 RF 99.75%/集成 99.83%（IEEE Access 8:20991-21002，被引 379+）；Chittora et al. 2021 DNN 99.6%（IEEE Access 9:17312-17334）。
28. ANFIS-PSO 2026：单分割 100% vs 5 折 CV 87.00%±3.59%（DOI 10.62762/bish.2026.692582）。
29. 旧版 .arff 路径全 404（2023 平台改版）；官方 zip 内为 Chronic_Kidney_Disease.rar（18.8 KB）。
30. UCI 生态位：与 Iris / Heart Disease / Pima 同级的教学四天王；"缺失值+不平衡+特征工程"三合一教学样本。
31. 临床参考区间（三源口径，尾注 11-12）：sc 男 0.6-1.3 / 女 0.5-1.2 mg/dL；sod 135-145、pot 3.5-5.0 mEq/L；hemo 约 12-17 g/dL；wbcc 5000-10000/mm³；rbcc 约 4.0-6.0 millions/cmm。
32. bu≠BUN：UCI 官方标 bu 为 blood urea；BUN ≈ 尿素 × 0.467（尿素 = BUN × 2.14）；临床 BUN 7-20 mg/dL → bu 口径约 15-40（§2.9 警示框一）。
33. KDIGO 2024 CGA 分期：G1 ≥90 / G2 60-89 / G3a 45-59 / G3b 30-44 / G4 15-29 / G5 <15（mL/min/1.73m²）；A1 <30 / A2 30-300 / A3 >300 mg/g；本数据集无 eGFR/病程/ACR，不可映射。
34. 规则可分量化：notckd 150 例十列规则零违反；ckd 250 例中零违反 17 例（df 索引 6/64/102/105/110/117/119/131/174/182/188/192/209/211/216/218/220），其中 14 例靠 sg 低档区分、3 例 sg=1.020 与 notckd 档重叠。
35. PeerJ CS 基准论文自报 wbcc “(2,200 to 4,800)” vs 实测 [2200, 26400]——文献描述统计须回源核验（§5.6）。
36. 行号口径：本条目行号 = pandas DataFrame 0 基索引（不含表头行）；脏值三行 df 索引 37/230/188 对应文本物理行 39/232/190（1 基）。
37. 附录 A 三行存照为 2026-09-29 逐字段实测口径；早期草稿对 df 索引 37 的"健康画像"描述有误，已更正并存照（附录 A 更正声明）。
38. 附录 F 复算脚本全部断言经本编辑部在官方文件（45,092 字节）上实测跑通（2026-09-29）。

术语表

术语	释义
CKD（慢性肾病）	肾脏结构或功能异常持续 ≥3 个月的临床综合征；本数据集标签 ckd 的医学对象
eGFR	估算肾小球滤过率，由血清肌酐等推算的肾功能核心指标；本数据集未提供，标签判定标准不可追溯
血清肌酐（sc）	肌肉代谢产物，经肾排泄；血中浓度升高提示肾滤过功能下降，本数据集最强单变量
血尿素（bu）	蛋白质代谢终产物；升高见于肾功能失代偿、高分解代谢等
PCV / pcv（红细胞压积）	红细胞占全血容积百分比；UCI API 未给单位字段，临床惯例为 %
尿比重（sg）	尿液浓缩能力指标；实测仅 1.005-1.025 五档离散值
蛋白尿 / al	尿白蛋白等级 0-5；CKD 诊断与分期的核心证据之一
脓细胞（pc）	尿中变性白细胞的形态学描述，normal/abnormal 二值
MNAR	非随机缺失（缺失依赖于值本身）；本数据集检验列缺失的嫌疑机制
SMOTE	少数类过合成技术；须只在训练折内使用，否则构成标签泄漏
规则可分	两类样本可被有限条合取规则完全区分的数据结构；notckd 类在本数据集近于此
基准通胀	单分割/泄漏协议下评测分数系统性高于严格协议的现象；本数据集文献的 100% vs 87% 落差即标本
k 折交叉验证	数据分 k 份轮换测试的评测协议；报告均值±标准差方为严格口径
ARFF	Weka 使用的属性-关系文件格式；本数据集旧版分发格式，已断代
UCI ML Repository	加州大学欧文分校维护的公开机器学习数据集库，本数据集的官方托管方
DOI	数字对象唯一标识符；本数据集 10.24432/C5G020
CC BY 4.0	知识共享署名 4.0 许可：允许商用与衍生，义务仅署名
DAIMS	本编辑部 AI-Ready 五维评估体系：Documentation/Accessibility/Interoperability/Metadata/Sustainability
归一口径	对原始脏值做 strip 清洗后的统计口径（ckd 250/notckd 150），与"原样口径"（248+2+150）相对
双口径存照	同一事实存在两个可信来源口径时，条目同时记录两者并注明出处与取舍的编辑实践
BUN / 血尿素氮	blood urea nitrogen；≈血尿素 × 0.467，临床参考 7-20 mg/dL；与本数据集 bu 列差一换算（§2.9 警示框一）
ACR（尿白蛋白/肌酐比值）	albumin-to-creatinine ratio，KDIGO 白蛋白尿分级（A1/A2/A3）的定量基础；与本数据集 al 等级不可互换
CGA 分期	KDIGO 的 CKD 三轴分期：病因 Cause + GFR 分期 G1-G5 + 白蛋白尿 A1-A3（KDIGO 2024 口径）
等渗尿	isosthenuria；尿比重固定 1.010±0.003，提示肾浓缩稀释功能严重受损（§2.9）
缺失模式	missingness pattern；一行内缺失列的组合，本数据集实测 105 种（附录 L）
数据卡	data card；再分发数据集时说明来源/改动/指纹/已知问题的随行文档（附录 O.2）
单分割	single train/test split；一次随机切分的弱评测协议，本数据集上易得虚高满分（坑 8）
分层切分	stratified split；按类别比例分配折内样本的切分方式，不平衡数据评测的底线

附录 A：三处脏值行全字段存照（官方 data.csv；行号 = DataFrame 0 基索引，不含表头行）

df 索引 37（class 脏值第一例）：age=72, bp=80, sg=NaN, al=NaN, su=NaN, rbc=NaN, pc=NaN, pcc=notpresent, ba=notpresent, bgr=137, bu=65, sc=3.4, sod=141, pot=4.7, hemo=9.7, pcv=28, wbcc=6900, rbcc=2.5, htn=yes, dm=yes, cad=no, appet=poor, pe=no, ane=yes, class=ckd\t——典型 CKD 画像（sc 3.4 与 bu 65 显著升高、hemo 9.7 与 pcv 28 偏低、appet poor、ane yes）伴五格检验缺失（sg/al/su/rbc/pc），标签与画像一致；本行的教学价值在于脏标签本身而非标签疑点。

df 索引 230（class 脏值第二例）：age=65, bp=60, sg=1.010, al=2, su=0, rbc=normal, pc=abnormal, pcc=present, ba=notpresent, bgr=192, bu=17, sc=1.7, sod=130, pot=4.3, hemo=NaN, pcv=NaN, wbcc=9500, rbcc=NaN, htn=yes, dm=yes, cad=no, appet=poor, pe=no, ane=no, class=ckd\t——血常规三项全缺（hemo/pcv/rbcc；wbcc 9500 在列）+ 蛋白尿（al=2）+ 高血压 + 糖尿病 + 脓尿（pc abnormal、pcc present），临床画像与 ckd 标签一致；strip 归一后为正类样本。

df 索引 188（dm 脏值行）：age=8, bp=NaN, sg=NaN, al=NaN, su=NaN, rbc=NaN, pc=NaN, pcc=notpresent, ba=notpresent, bgr=80, bu=66, sc=2.5, sod=142, pot=3.6, hemo=12.2, pcv=38, wbcc=NaN, rbcc=NaN, htn=no, dm=\tno, cad=no, appet=good, pe=no, ane=no, class=ckd——8 岁患儿，dm 列制表符前缀；八格缺失（bp/sg/al/su/rbc/pc/wbcc/rbcc），残余画像（sc 2.5、bu 66）支持 ckd 标签。注意本行同时是"十列规则零违反"的 17 例 ckd 样本之一（FAQ F38）：dm strip 后为 no，问诊与尿液两轴全合规，是 §5.4 难样本与标签黑箱的交汇点。

行号口径存照：本条目行号一律为 pandas read_csv 后的 DataFrame 0 基索引（数据行序，不含表头行）。三行对应的文本文件物理行号（1 基）分别为 39、232、190；"含表头 0 基"口径则为 38、231、189——三种口径各差一位，跨文献对照行号先对齐口径（FAQ F14）。

更正声明：本条目早期草稿曾将 df 索引 37 描述为"临床画像更像健康/边缘人却被标 ckd"。经 2026-09-29 对官方 data.csv 的逐字段复测，该描述有误——37 号行的 sc/bu/hemo/pcv/appet/ane 均为典型 CKD 方向（见上方实测存照），特此更正；真正呈现"标签与规则画像张力"的是 FAQ F38 所列 17 例零违反样本。实测为本条目一切行级描述的唯一依据。

附录 B：清洗要点参考代码（Python/pandas）

import pandas as pd
from sklearn.model_selection import StratifiedKFold

df = pd.read_csv("data.csv")          # pandas 默认识别 "NaN" 字面量

# 军规 1：全表 strip，清除 ckd\t 与 \tno
for c in df.columns:
    if df[c].dtype == object:
        df[c] = df[c].str.strip()

# 军规 2：逐列体检——类别数与取值集合核对
for c in df.columns:
    print(c, df[c].value_counts(dropna=False).to_dict())
# 期望：class -> {ckd: 250, notckd: 150}；dm -> {no: 261, yes: 137, nan: 2}

# 军规 7：极端值逐例处理（示例：疑错值按缺失处理并记录）
suspect = {"pot": 47, "sc": 76, "sod": 4.5, "bgr": 22}
for col, val in suspect.items():
    mask = df[col] == val
    df.loc[mask, col] = float("nan")
    print(f"{col}=={val}: {mask.sum()} 处置为缺失")

# 军规 8/9：分层 k 折 + 插补/SMOTE 只进训练折
X, y = df.drop(columns=["class"]), (df["class"] == "ckd").astype(int)
skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
for tr, te in skf.split(X, y):
    pass  # 在 tr 内拟合插补器与 SMOTE，在 te 上只 transform/predict

附录 C：本文实测方法说明

• 数据对象：UCI 官方 data.csv（https://archive.ics.uci.edu/static/public/336/data.csv），2026-09-29 下载，45,092 字节，401 行×25 列。
• 统计口径：除特别注明"论文自报口径"外，本条目全部统计（缺失账本、逐列计数、均值±标准差、范围、分组均值、规则可分检验）均由本编辑部对该文件直接计算得出；行号一律为 pandas read_csv 后的 DataFrame 0 基索引（数据行序，不含表头行；详见附录 A 行号口径存照）。
• 元数据口径：UCI 官方页 HTML 实抓（212 KB）与 API JSON（6,786 字节，/api/dataset?id=336）双源核对。
• 文献口径：Qin 2019 与 Chittora 2021 经 IEEE Xplore 官方页与开放学术索引交叉确认；ANFIS-PSO 2026 与 PLOS ONE 2024 经 DOI 解析确认；五篇早期文献为综述转引口径，未逐篇复核原文（§5.1 注）；临床参考区间三源与 PeerJ CS-2899 存照见尾注 11-14。
• 核验时点：2026-09-29（链接可达性、Google Scholar 被引数均为该时点口径，会随时间漂移）。

附录 D：双口径存照汇总

事实	口径 A	口径 B	本条目取舍
采集医院城市	Managiri（PLOS ONE 2024）	Manamadurai（ANFIS-PSO 2026）；Karaikudi “maybe”（Bristol 课程页）	正文只写"泰米尔纳德邦"，三口径存照（坑 6）
bp 均值	76.175（PLOS ONE 2024 报告）	76.47±13.68（官方 data.csv 实算）	按实算 76.47 书写，论文口径注明
类别数	248+2+150（原样口径，含 ckd\t）	250/150（归一口径）	正文按归一 250/150，原样口径同步存照
属性数	24（API num_features，不含 class）	25（部分论文口径，含 class）	写"24 特征+1 标签"，两口径注明
UCI 官方摘要英语	原样引用（“nearly 2 months of period”）	善意解读为"采集期约两个月"	原样存照+解读注明
旧版 ARFF 脏值	社区教程传 \t? 型脏值"17 处"	官方 data.csv 实测数值列无脏值（脏值仅 3 处字符串）	只写实测 3 处，传说列入遗留疑点

附录 E：遗留疑点清单（官方未载、本轮无法核实的六件事）

1. 标签判定标准：ckd/notckd 是否按 KDIGO 口径、是否基于 eGFR 与病程、由谁复核——无任何官方说明；FAQ F38 所列 17 例十列规则零违反的 ckd 样本加深了这一疑点——它们与 notckd 在问诊与尿液两轴完全同构却被标 ckd，要么标签判定使用了本数据集之外的信息，要么存在误标。
2. 抽样方式：门诊/住院构成、连续入组还是配对抽样、两个月窗口的入组流程——无记载。
3. 创建者三人：L. Rubini / P. Soundarapandian / P. Eswaran 的完整姓名与机构归属，UCI 页面与 API 均未载；文献转述一般认为 Soundarapandian 对应 Apollo 医院方，未获官方确认。
4. 脏值成因：两处 ckd\t 与一处 \tno 是否源系统导出缺陷、是否曾有人向捐赠者求证——无记载。
5. 极端值成因：pot 47、sc 76、bgr 22、sod 4.5 是否录入错误——官方无说明，本条目只能按生理底线做"疑错"推断（坑 7）。
6. 化验方法：各检验列的具体方法/试剂/单位标准（尤其 pcv 无单位字段）未注明；旧版 ARFF 的 \t? 脏值传说因旧版断代无法实证。

以上疑点若未来获得官方回应或新证据，应以官方口径为准更新本条目。

附录 F：核心数字复算脚本（Python/pandas 断言版）

把本脚本与官方 data.csv 放同一目录运行（python3.11 ckd_recheck.py [data.csv]），全部断言通过即说明你手里的文件与本条目实测同源——这是引用本条目任何数字前的第一步（§9.2 第 1 步）。断言数字均为本编辑部 2026-09-29 对官方 data.csv（45,092 字节）的实测口径。

#!/usr/bin/env python3.11
"""CKD-UCI 官方 data.csv 核心数字复算：全部断言通过 = 与千方病案条目实测同源。"""
import sys
import pandas as pd

CSV = sys.argv[1] if len(sys.argv) > 1 else "data.csv"

# ---- 文件指纹 ----
raw = open(CSV, "rb").read()
assert len(raw) == 45092, f"字节数 {len(raw)} != 45092"
lines = raw.decode("utf-8").splitlines()
assert len(lines) == 401, f"物理行数 {len(lines)} != 401（1 表头 + 400 数据）"

df = pd.read_csv(CSV)
assert df.shape == (400, 25), f"shape {df.shape} != (400, 25)"

# ---- 缺失账本（§3.1）----
total_missing = int(df.isna().sum().sum())
assert total_missing == 1012, f"缺失格 {total_missing} != 1012"
rate = total_missing / (df.shape[0] * df.shape[1]) * 100
assert abs(rate - 10.12) < 0.005, f"缺失率 {rate:.4f} != 10.12%"
assert int(df.notna().all(axis=1).sum()) == 158, "零缺失完整行 != 158"
assert int(df.duplicated().sum()) == 0, "存在重复行"

# ---- 缺失冠军三兄弟（§3.2）----
mc = df.isna().sum()
assert int(mc["rbc"]) == 152 and int(mc["rbcc"]) == 131 and int(mc["wbcc"]) == 106
assert int(mc["appet"]) == 1 and int(mc["pe"]) == 1 and int(mc["ane"]) == 1

# ---- 标签与脏值（坑 1/坑 2；行号 = DataFrame 0 基索引，不含表头）----
vc = df["class"].value_counts()
assert vc.get("ckd") == 248 and vc.get("notckd") == 150 and vc.get("ckd\t") == 2
assert sorted(df.index[df["class"] == "ckd\t"].tolist()) == [37, 230]
assert df.index[df["dm"] == "\tno"].tolist() == [188]
assert df.loc[188, "age"] == 8 and abs(df.loc[188, "hemo"] - 12.2) < 1e-9
assert set(df["rbc"].dropna()) == {"normal", "abnormal"}   # 无混合编码
assert set(df["pc"].dropna()) == {"normal", "abnormal"}

# ---- 极端值四连（坑 7）----
assert float(df["pot"].max()) == 47.0
assert float(df["sc"].max()) == 76.0
assert float(df["bgr"].min()) == 22.0
assert float(df["sod"].min()) == 4.5

# ---- 等级列档位（§2.3）----
assert sorted(df["sg"].dropna().unique().tolist()) == [1.005, 1.01, 1.015, 1.02, 1.025]
assert df["sg"].value_counts().to_dict() == {1.02: 106, 1.01: 84, 1.025: 81, 1.015: 75, 1.005: 7}
assert df["al"].value_counts().to_dict() == {0.0: 199, 1.0: 44, 2.0: 43, 3.0: 43, 4.0: 24, 5.0: 1}
assert df["su"].value_counts().to_dict() == {0.0: 290, 1.0: 13, 2.0: 18, 3.0: 14, 4.0: 13, 5.0: 3}

# ---- 数值列画像（附录 J）----
stats = {
    "age":  (391, 51.48, 17.17,   2.0,   90.0),
    "bp":   (388, 76.47, 13.68,  50.0,  180.0),
    "bgr":  (356, 148.04, 79.28, 22.0,  490.0),
    "bu":   (381, 57.43, 50.50,   1.5,  391.0),
    "sc":   (383, 3.07,  5.74,    0.4,   76.0),
    "sod":  (313, 137.53, 10.41,  4.5,  163.0),
    "pot":  (312, 4.63,  3.19,    2.5,   47.0),
    "hemo": (348, 12.53, 2.91,    3.1,   17.8),
    "pcv":  (329, 38.88, 8.99,    9.0,   54.0),
    "wbcc": (294, 8406.12, 2944.47, 2200.0, 26400.0),
    "rbcc": (269, 4.71,  1.03,    2.1,    8.0),
}
for col, (n, m, s, lo, hi) in stats.items():
    sr = df[col].dropna()
    assert len(sr) == n, f"{col} n={len(sr)} != {n}"
    assert abs(sr.mean() - m) < 0.005, f"{col} mean={sr.mean():.4f} != {m}"
    assert abs(sr.std() - s) < 0.005, f"{col} std={sr.std():.4f} != {s}"
    assert abs(sr.min() - lo) < 1e-9 and abs(sr.max() - hi) < 1e-9, f"{col} 范围不符"

# ---- 分组均值（§2.8）----
g = df.assign(cls=df["class"].str.strip()).groupby("cls")
pairs = {"sc": (4.41, 0.87), "hemo": (10.65, 15.19), "pcv": (32.94, 46.34),
         "bgr": (175.42, 107.72), "rbcc": (3.95, 5.38), "sod": (133.90, 141.73)}
for col, (ckd_m, nckd_m) in pairs.items():
    assert abs(g[col].mean()["ckd"] - ckd_m) < 0.005, f"{col} ckd 组均值不符"
    assert abs(g[col].mean()["notckd"] - nckd_m) < 0.005, f"{col} notckd 组均值不符"

# ---- 规则可分结构（§5.4）----
nc = df[df["class"] == "notckd"]
assert set(nc["al"].dropna()) == {0} and set(nc["su"].dropna()) == {0}
for c in ["htn", "dm", "cad", "pe", "ane"]:
    assert set(nc[c].dropna()) == {"no"}, f"notckd 组 {c} 不规则"
assert set(nc["appet"].dropna()) == {"good"}
assert set(nc["rbc"].dropna()) == {"normal"} and set(nc["pc"].dropna()) == {"normal"}
assert set(nc["sg"].dropna()) <= {1.02, 1.025}

# ckd 组十列规则零违反样本 = 17 例（FAQ F38）
strip = lambda s: s.str.strip() if s.dtype == object or str(s.dtype) == "str" else s
ckd = df[df["class"].str.strip() == "ckd"].copy()
for c in ["htn", "dm", "cad", "appet", "pe", "ane", "rbc", "pc"]:
    ckd[c] = strip(ckd[c])
viol = (ckd["al"].ne(0) & ckd["al"].notna()).astype(int)
viol += (ckd["su"].ne(0) & ckd["su"].notna()).astype(int)
for c, want in [("htn", "no"), ("dm", "no"), ("cad", "no"), ("appet", "good"),
                ("pe", "no"), ("ane", "no"), ("rbc", "normal"), ("pc", "normal")]:
    viol += (ckd[c].ne(want) & ckd[c].notna()).astype(int)
assert int((viol == 0).sum()) == 17, f"零违反 ckd 样本 {int((viol==0).sum())} != 17"

print("全部断言通过：你手里的 data.csv 与千方病案条目实测同源（2026-09-29 口径）。")

脚本使用两条提示：其一，ckd\t 的断言依赖你的终端/编辑器不吞制表符——直接复制本脚本后若报标签断言错，先检查 \t 字面量是否被转成真制表符或被展开；其二，均值/标准差断言容差 0.005 是为本条目的四舍五入口径（两位小数）设置的，若你用更高精度报表可自行收紧。

附录 G：十大反模式清单（CKD-UCI 专用）

每条给出"反模式—典型症状—代价—正解"四段式，可直接作为代码评审或课堂测验题库。

#	反模式	典型症状	代价	正解
1	dropna() 一刀切	论文里 n 无声变成 158	样本蒸发六成，且被删行非随机（整块缺失有临床画像）	缺失指示列 / 树模型原生 NaN 通道；必删时报前后分布（坑 4）
2	全集 SMOTE 后再切分	SMOTE 后 99%+ 且测试集分数完美	合成样本把训练信息"过继"给测试集，标签泄漏	SMOTE 只进训练折（§5.3）
3	单分割跑出 100% 就收工	“our model achieved 100%”	13 个百分点的通胀（100% vs 5 折 87%）	分层 5 折 × ≥10 种子，报均值±标准差（坑 8）
4	盲信 feature_types=Real	把 sg/al/su 送进线性模型当连续变量	等级档位被线性外推，系数不可解释	按 §2.1 实测类型表处理：等级列按序数（坑 9）
5	均值插补 38% 缺失列	rbc 列插补后直方图一根柱	方差系统性低估，下游检验失效	模型插补或原生通道；插补前后分布对照（§3.5）
6	极端值直接 z-score	pot 列标准化后健康人全压在 0 附近	47 这个疑错值绑架整列分布	不可能值按疑错处置、罕见可能值稳健变换，逐例留痕（坑 7）
7	不 strip 直接 map({'yes':1,'no':0})	\tno 行静默变 NaN，或 ckd\t 变第三类	样本无声损失 / 类别数畸变	全表 strip + 类别数断言（军规 1/2，附录 B）
8	拿 Kaggle 镜像跑分与官方口径对话	你的 99.2% 与文献 99.75% “只差 0.5”	镜像可能已清洗/改行序，数字不可比	认准 static/public/336/data.csv，引用注明 data.csv 口径（坑 5）
9	用 400 例论证"深度学习更强"	"DNN 优于传统 ML"结论	差距在种子噪声内，样本量差两个数量级	结论边界声明：本集只能支撑方法学演示（§8.2、FAQ F32）
10	把 al 等级写成 ACR 分期 / bu 当 BUN	“al=3 即 A3 期”“bu 25 已超标”	医学语义错位，审稿一票否决级错误	读 §2.9 三个警示框；临床口径换算先查系数

十条的共同根源只有一个：把"表格能读出来"当成了"数据已经理解"。CKD-UCI 的每个坑都藏在"能读出来但没看"的地方——制表符藏在标签末尾、错位藏在极值里、规则结构藏在 value_counts 里。先复算（附录 F）、再体检（军规 2）、后建模，是这个数据集教给每个建模者的完整一课。

附录 H：时间线大事记（2015-2026）

以官方元数据与本条目直接核验的文献为节点；标"转引"者为综述转引口径（§5.1 注）。

时间	事件	出处口径
2015	数据集创建（API year_of_dataset_creation: 2015）；官方摘要称采集期 “nearly 2 months of period”	UCI API
2015-07-02	L. Rubini、P. Soundarapandian、P. Eswaran 捐赠 UCI	UCI 官方页
2015-2023	旧版布局时代：.arff/.csv 分发；教学 notebook 与教程生态爆发；\t? 型脏值"17 处"传说在此期流传	坑 5、附录 E-6
2016	Sharma et al.（决策树 98.60%）；Charleonnan et al.（SVM 98.3%，灵敏度 0.99/特异度 0.98）——早期基准	转引
2017	Gunarathne et al.（Azure ML Decision Forest 99.1%）——云平台流水线代表	转引
2019	Sossi et al.（SPSS XGBoost 单分割 100%）；Al Imran et al.（FF-ANN f1 0.99）——单分割满分阵营成形	转引
2019-12-30	Qin et al. 发表 IEEE Access 8:20991-21002（KNN 插补；RF 99.75%；LR+RF 感知机集成 99.83%）；日后成为被引锚点（379，2026-09 口径）	IEEE Xplore 直核
2021-01-22	Chittora et al. 发表 IEEE Access 9:17312-17334（七分类器×六组合矩阵；DNN 99.6%；被引 378）	IEEE Xplore 直核
2023	UCI 平台改版：分配 DOI 10.24432/C5G020；旧版文件路径全部下线（实测 404）；官方分发仅剩 data.csv（45,092 字节）	坑 5、§6.2
2024-03-04	元数据更新（API last_updated），非数据内容变更	UCI API
2024	PLOS ONE 2024（DOI 10.1371/journal.pone.0295234）：SMOTE 平衡；bp 均值 76.175 口径；医院城市写 Managiri	DOI 解析直核
2026	ANFIS-PSO 2026（DOI 10.62762/bish.2026.692582）：单分割 100% vs 5 折 CV 87.00%±3.59%；医院城市写 Manamadurai——同文两口径成为基准通胀活标本	DOI 解析直核
2026-09-29	本条目实测：data.csv 全量复算（缺失 1012/10.12%、完整行 158、脏值 3 处、极端值 4 连、规则可分 11 列）；临床参考区间与基准文献三源补核	FACTS.md §10

附录 I：一句话速答卡（18 问）

1. 这是什么？——400 例肾内科患者的 24 项检验指标 + 1 个 ckd/notckd 标签的 CSV。
2. 多大？——45 KB；401 行×25 列（1 表头+400 数据，24 特征+1 标签）。
3. 谁的？——Apollo Hospitals（印度泰米尔纳德邦）患者；Rubini/Soundarapandian/Eswaran 三人捐赠。
4. 什么时候？——2015-07-02 捐赠 UCI；采集期约两个月。
5. 许可？——CC BY 4.0：可商用、可再分发，义务仅署名。
6. 怎么下载？——认准 archive.ics.uci.edu/static/public/336/data.csv 一条路；旧版 .arff 全 404。
7. 缺失多吗？——1012/10000 格（10.12%）；24 列全有缺失；零缺失完整行仅 158（39.5%）。
8. 有脏数据吗？——2 例 ckd\t（df 索引 37/230）、1 例 \tno（df 索引 188）；缺失写作字面量 “NaN”。
9. 有可疑值吗？——pot 47、sc 76、bgr 22、sod 4.5，疑小数点错位，官方未注。
10. 平衡吗？——ckd 250 vs notckd 150（62.5%/37.5%），中度不平衡。
11. 能跑多高？——认真 5 折 CV 约 87-99%；单分割 100% 常见但无意义。
12. 为什么人人都 99%？——notckd 150 例在十列上取值完全规则，任务近乎规则可分；99% 是数据的属性。
13. 能做临床模型吗？——不能当临床就绪证据；教学与原型验证可以。
14. 能做 CKD 分期吗？——不能：无 eGFR、无病程时间维度、标签只有二值。
15. 有性别列吗？——没有；"男女比例"叙事皆无源之水。
16. 有官方论文吗？——没有（intro_paper: null）；最高被引社区基准是 Qin 2019（379+）。
17. 怎么引用？——Rubini, L., Soundarapandian, P., & Eswaran, P. Chronic Kidney Disease [Dataset]. UCI ML Repository. DOI 10.24432/C5G020。
18. 一句话总结？——小、脏、经典：缺失值+不平衡+基准通胀的三合一教学标本。

附录 J：数值列统计画像速查（11 列，实测口径）

与 §2.1 的五组总览互补：本表只收数值列，便于建模前快速核对分布形态。全部数字为本编辑部对官方 data.csv 的实算（2026-09-29）。

列	临床含义	n	均值	标准差	min	max	分布注记
age	年龄（岁）	391	51.48	17.17	2	90	中老年为主体；含 2-8 岁儿科样本
bp	血压（mm/Hg，舒张压口径）	388	76.47	13.68	50	180	max 180 高血压急症级
bgr	随机血糖（mg/dl）	356	148.04	79.28	22	490	右偏重；min 22 疑错位
bu	血尿素（mg/dl）	381	57.43	50.50	1.5	391	std>mean 的重右偏；建议对数变换
sc	血清肌酐（mg/dl）	383	3.07	5.74	0.4	76	max 76 疑错位，std 被其拉高
sod	血钠（mEq/L）	313	137.53	10.41	4.5	163	min 4.5 不可存活疑错位
pot	血钾（mEq/L）	312	4.63	3.19	2.5	47	max 47 疑 4.7 错位
hemo	血红蛋白（g/dL）	348	12.53	2.91	3.1	17.8	双峰倾向（贫血轴组间落差 4.5）
pcv	红细胞压积（%）	329	38.88	8.99	9	54	与 hemo 强共线（经验比约 3:1）
wbcc	白细胞计数（cells/cmm）	294	8406.12	2944.47	2200	26400	max 26400 重度感染样反应
rbcc	红细胞计数（millions/cmm）	269	4.71	1.03	2.1	8	贫血轴定量侧；缺失最重（32.75%）

注记三条：其一，bu/sc/pot/bgr 四列的均值与标准差均受坑 7 极端值影响，复核时对照附录 F 断言；其二，n 的差异即缺失梯度（269-391），任何"全样本均值"声称都应先问是哪列的 n；其三，sod/pot 是电解质轴、hemo/pcv/rbcc 是贫血轴、bgr/bu/sc 是肾功-代谢轴——三条生理轴与 §5.4 的规则列（问诊轴）一起构成 24 特征的完整语义地图。

附录 K：投稿前 12 项检查单（用了 CKD-UCI 的论文自查）

#	检查项	对应条目锚点
1	全表 strip 已执行；class 仅剩 {ckd, notckd}、dm 仅剩 {yes, no} 的断言通过	军规 1/2、附录 B
2	n 报告了清洗各阶段数值（400 / dropna 后 / 插补后），类别分布随行	坑 4、§8.1 问 1
3	分割协议写明：分层 5 折以上 × ≥10 种子，报均值±标准差	坑 8、§5.5
4	SMOTE / 插补 / 特征选择的位置写明且只在训练折内	§5.3、§8.1 问 2
5	sg/al/su 按序数处理；未当连续变量	坑 9
6	未把 al 等级写成 ACR A1-A3；未把 bu 当 BUN 套 7-20 区间	§2.9 警示框、FAQ F18/F21
7	极端值四连（pot 47 / sc 76 / bgr 22 / sod 4.5）的处置逐例有交代	坑 7
8	与文献对比前已对齐口径（单分割 vs CV、插补方法、SMOTE 位置）	§8.1 问 4、§5.7
9	未出现"临床可用/可用于筛查"类越界叙事，或已附 §8.3 三道鸿沟的局限声明	§8.1 问 5、§8.3
10	结论类型在 §8.2 的"适合"清单内（方法学演示/教学/原型验证）	§8.2
11	数据来源标注：UCI ID 336、data.csv 口径、DOI 10.24432/C5G020、CC BY 4.0	§6.1/§6.3/§6.4
12	引用的社区基准注明"非官方伴生论文"且给出协议细节	§5.0、§5.7、FAQ F35

12 项全过，你的论文至少在"数据使用纪律"上站得住；至于方法创新是否成立，那不是这个数据集能裁决的（§5.4）。

K.2 这张表的三种用法

• 自查：投稿前逐项打钩，12 项全过再提交；
• 审稿：审别人用 CKD-UCI 的论文时按表索骥，缺哪项问哪项（与 §8.1 审稿人五问配合使用）；
• 教学：作为课程作业的评分 rubric——每项 1 分，满分 12，及格线设 10 分。

附录 L：缺失模式明细（105 种组合的实测画像）

L.1 模式总量与前十二大模式

把每行的缺失列组合（missingness pattern）当作一个 ID，全表 400 行只出现 105 种组合——远少于随机散布的理论数；前 12 大模式覆盖 269 行（67.25%）。§3.3 的"整块缺失"判断由此有了精确数字。

行数	缺失列组合	解读
158	（无缺失）	完整行——dropna 后的幸存者
31	rbc	单缺镜检形态学：最大的非平凡模式
11	hemo,pcv,wbcc,rbcc	血常规四件套整单缺
10	rbc,sod,pot	镜检 + 电解质
10	sod,pot	电解质两项
10	sg,al,su,rbc,pc	尿检五件套整单缺
9	wbcc,rbcc	血细胞计数两项
7	sg,al,su,rbc,pc,wbcc,rbcc	尿检五件套 + 血细胞计数
6	rbc,pc	镜检两项
6	rbc,wbcc,rbcc	镜检 + 血细胞计数
6	rbc,hemo,pcv,wbcc,rbcc	镜检 + 血常规
5	bgr	单缺血糖
合计 269		其余 93 种模式合计 131 行

头部模式清一色是"检验子项成组缺"——血常规四件套、尿检五件套、电解质两项——而非随机散点。这与"检验科室的层级"梯度（§3.2）互为表里：缺失的单位不是格子，而是检查单。

L.2 行级缺失深度分布

按行统计 24 个特征格中的非缺失格数：

非缺失格数	24	23	22	21	20	19	18	17	16	15	14	13
行数	158	45	33	37	31	33	12	20	8	12	4	7

三个读数：其一，仅缺 1-2 格的行有 78 行（45+33）——它们是信息最接近完整的样本，却是 dropna 的最大牺牲品（坑 4 的精确注脚）；其二，缺 5 格及以上的行共 96 行，构成"重缺失带"；其三，最重的 7 行缺 11 格（df 索引 59、86、104、148、165、222、228），仅剩 13 个特征可用——它们通常是被整单转录失败或危重抢救病例，插补时值得单独标记。

L.3 对插补与建模研究的四条含义

1. 整块缺失主导：105 种模式、前 12 覆盖 2/3 样本，意味着插补时同行的多个缺失格会互相校准——KNN/MICE 的近邻里充满同模式行，"编造套编造"风险（§3.3）是结构性的，不是个例。
2. 31 行单缺 rbc 是两难样本：按列删丢一个判别特征，按行删丢 31 例——正解是缺失指示列或树模型原生 NaN 通道。
3. 缺失模式本身可作特征：前 12 大模式的 one-hot（“缺失模式 ID”）比逐列缺失指示更强——它直接编码"这个患者做了哪套检查"的临床决策信号。
4. 复现只要两行：pat = df.drop(columns=['class']).isna().apply(lambda r: tuple(r), axis=1); pat.value_counts().head(12)。

附录 M：DAIMS 评估逐维详注（§6.5 的证据底稿）

M.1 D 文档完备度 3/5

有：官方摘要（含采集期 “nearly 2 months”）、25 列变量表（24 列有单位/类型标注，唯 pcv 缺 units 字段）、引用格式面板、CC BY 4.0 声明、API 全字段机读。缺：伴生论文（intro_paper: null）、标签判定标准、抽样方式、医院城市（三口径，坑 6）、化验方法与试剂。提分路径：官方补一份 data card（标签口径 + 采样说明 + 城市确认）即可 +2。

M.2 A 可获取性 5/5

三通道全通（§6.1 实测 HTTP 200）；无注册、无申请流程；仅一版现行格式（data.csv），无版本困惑；45 KB 即取即用；CC BY 4.0 商用允许。唯一摩擦是下载包 zip 内 rar（坑 5），不影响 data.csv 主通道。

M.3 I 互操作性 4/5

标准 CSV、列名简短、五组特征体系语义分明。扣分项：NaN 字面量（坑 3）、脏值三连（坑 1/坑 2）、sg/al/su 的档位含义只有一句话级说明（需读者自行对齐临床语义，§2.3、附录 N）。

M.4 M 元数据质量 2/5

三处元数据失真（pcv 无 units、bu/sod 标 Integer 实测含小数、feature_types 汇总失真，坑 9）+ 城市三口径 + 类型粒度粗。元数据是本数据集最弱一环——也是本条目补课价值最大的一环（§2.1 实测表即替代数据字典）。

M.5 S 可持续性 4/5

UCI 官方长期托管、DOI 固定、2024-03 仍有维护动作。扣分：旧版布局整体断代（旧链接 404、旧文件无官方存档索引），教程生态的口径漂移无官方仲裁机制。

M.6 18/25 的含义

A 满分、D+M 合计仅 5/10——“拿到手极容易，用好极考功夫”。对 AI-Ready 场景的操作性结论：直接喂模型没问题（先过附录 B/F 两关）；引用数字必须带"data.csv 口径"标签；做自动化管线时不要信任 API 元数据，以本条目实测表为准。

附录 N：术语中英对照与检索提示（全 24 特征 + 任务术语）

检索英文文献或写英文论文时的列名对照表；"提示"栏给出本条目已核验的关键口径。

中文	英文 / 缩写	本数据集列名	提示
年龄	age	age	demographics 唯一登记项；无性别列
血压	blood pressure	bp	舒张压口径（Bristol 注释版推断，UCI 未注明）
尿比重	specific gravity	sg	五档离散值；按序数处理
尿白蛋白	albumin	al	0-5 半定量等级；≠ACR A1-A3
尿糖	sugar	su	0-5 半定量等级
尿红细胞	red blood cells	rbc	形态学二值；缺失 38.0% 全表之冠
尿脓细胞	pus cell	pc	形态学二值
尿白细胞团	pus cell clumps	pcc	present/notpresent
尿细菌	bacteria	ba	present/notpresent
随机血糖	blood glucose random	bgr	min 22 疑错位（坑 7）
血尿素	blood urea	bu	≠BUN；换算 ×2.14（§2.9 警示框一）
血清肌酐	serum creatinine	sc	eGFR 输入变量；最强单变量（§2.8）
血钠	sodium	sod	参考 135-145 mEq/L
血钾	potassium	pot	参考 3.5-5.0 mEq/L；max 47 疑错位
血红蛋白	hemoglobin	hemo	贫血轴定量
红细胞压积	packed cell volume	pcv	无官方单位；按 % 解读（坑 9）
白细胞计数	white blood cell count	wbcc	cells/cmm；§5.6 存照当事列
红细胞计数	red blood cell count	rbcc	millions/cmm；缺失 32.75%
高血压	hypertension	htn	yes/no
糖尿病	diabetes mellitus	dm	yes/no；含 1 例 \tno（坑 2）
冠脉疾病	coronary artery disease	cad	yes/no
食欲	appetite	appet	good/poor
足部水肿	pedal edema	pe	yes/no
贫血（问诊）	anemia	ane	与 hemo/rbcc 构成定性+定量双记录
诊断标签	class	class	ckd/notckd；2 例 ckd\t（坑 1）
规则可分	rule-separable	—	§5.4 核心概念；十列合取规则
基准通胀	benchmark inflation	—	单分割 100% vs 5 折 87% 现象
缺失模式	missingness pattern	—	附录 L；实测 105 种组合
等渗尿	isosthenuria	—	sg 固定 1.010±0.003（§2.9 警示框二）
标签泄漏	label leakage	—	全集 SMOTE 后切分即触发（§5.3）

附录 O：检索、镜像与再分发实操

O.1 你在找什么 vs 该去哪

意图	去哪	警告
下载数据本体	archive.ics.uci.edu/static/public/336/data.csv	唯一官方机读格式；45,092 字节即文件指纹
拉元数据	官方页 + /api/dataset?id=336	存在粗口径三连（坑 9），勿自动信任字段
找旧版 ARFF	已 404	断代，别再找（坑 5）
找教程/notebook	Kaggle / Medium / CSDN / GitHub	镜像口径漂移：先 diff 再用（坑 5）
找基准数字	本条目 §5.1 + §5.7	区分直核/转引；协议五要素齐全才有对话资格
找引用格式	官方页 citation 面板	DOI 10.24432/C5G020（§6.4）
找库内近亲	本条目 §10 互链表	UCI 兄弟（444/485）与 EHR 对照（4/106）

O.2 再分发数据卡模板（CC BY 4.0 署名义务的最小实现）

# CKD-UCI 清洗版数据卡
- 来源: UCI Machine Learning Repository ID 336, DOI 10.24432/C5G020, CC BY 4.0
- 原始文件: data.csv（45,092 B，401 行×25 列），下载日期: ____
- 本清洗版改动: 1) 全表 strip；2) 极端值处置: ____；3) 插补: ____
- 已验证指纹（未改动项）: 缺失 1012 格 / 完整行 158 / class 归一 250-150
- 行号口径: DataFrame 0 基索引（不含表头行）
- 已知问题（原样继承）: 标签判定标准未载；元数据粗口径见条目坑 9
- 版本: 本卡日期 ____；引用: Rubini, L., Soundarapandian, P., & Eswaran, P.
  Chronic Kidney Disease [Dataset]. UCI ML Repository. DOI 10.24432/C5G020

数据卡的意义不止于合规：它是你清洗决策的"存照"——一年后有人（多半是你自己）拿着你的清洗版问"47 你是怎么处置的"，答案必须在这张卡上，而不是在你的记忆里（坑 7 的逐例留痕纪律在再分发环节的延伸）。

附录 P：类别列 value_counts 全存照（14 列，逐列体检对照表）

“军规 2”（value_counts 逐列体检）的完整对照底稿：14 个类别/等级/标签列的原样取值计数（NaN 计入；含全部脏值）。数值列 11 列的画像见附录 J。全部为本编辑部对官方 data.csv 的实测（2026-09-29）。

列	原样取值计数（含 NaN 与脏值）	清洗后期望
sg	1.02×106, 1.01×84, 1.025×81, 1.015×75, NaN×47, 1.005×7	五档不变，NaN 47
al	0×199, NaN×46, 1×44, 2×43, 3×43, 4×24, 5×1	六档不变，NaN 46
su	0×290, NaN×49, 2×18, 3×14, 4×13, 1×13, 5×3	六档不变，NaN 49
rbc	normal×201, NaN×152, abnormal×47	二值，NaN 152
pc	normal×259, abnormal×76, NaN×65	二值，NaN 65
pcc	notpresent×354, present×42, NaN×4	二值，NaN 4
ba	notpresent×374, present×22, NaN×4	二值，NaN 4
htn	no×251, yes×147, NaN×2	二值，NaN 2
dm	no×260, yes×137, NaN×2, \tno×1	no×261（\tno 归一）, yes×137, NaN 2
cad	no×364, yes×34, NaN×2	二值，NaN 2
appet	good×317, poor×82, NaN×1	二值，NaN 1
pe	no×323, yes×76, NaN×1	二值，NaN 1
ane	no×339, yes×60, NaN×1	二值，NaN 1
class	ckd×248, notckd×150, ckd\t×2	ckd×250（ckd\t 归一）, notckd×150

P.2 体检对照法

拿到任何一份"CKD 数据"（无论自称官方还是镜像），把你的 value_counts(dropna=False) 输出与上表逐列对照，三分钟内即可判定文件身份：其一，逐格一致 = 与官方 data.csv 同源，可引用本条目全部数字；其二，某些列少了 NaN 或脏值消失 = 清洗过的镜像，数字不可与官方口径混用（坑 5）；其三，多出未知取值或行数不等于 400 = 来源不明，丢弃或回溯。这一对照法也是本条目"以磁盘为准"纪律的交接界面——后人拿到的新文件，与 2026-09-29 实测存照只有"一致/不一致"两种关系，不存在第三种解释空间。

数值列的同款对照用附录 J 的 n/均值/标准差/范围四元组：任何一列的四个数字全对上，基本可排除"同列名不同清洗"的静默漂移；有出入时先查极端值处置（坑 7 的 pot 47 / sc 76 / bgr 22 / sod 4.5 四值最易被清洗者动手）。

版本与变更记录（扩写存照）

• v1（775 行版）：初稿覆盖 §0-§11、FAQ 十二问、事实清单三十条、附录 A-E。
• v2（本版，2026-09-29）：扩写至 1400 行级。新增：§2.9 临床参考区间对照（三源口径）、§5.6 文献数字回源核验存照、§5.7 基准确证档案与被引对照、§7.5 四天王对比、§9 使用指南（三类读者行动清单）、FAQ F13-F44（32 个进阶问题）、事实清单 31-38 条、术语表扩充 8 条、附录 F-P（核心数字复算脚本 / 十大反模式 / 时间线大事记 / 一句话速答卡 / 数值列画像 / 投稿检查单 / 缺失模式明细 / DAIMS 逐维详注 / 术语中英对照 / 检索与再分发实操 / 类别列 value_counts 全存照）。
• 更正：附录 A 三行脏值行存照按 2026-09-29 逐字段实测重写——早期草稿对 df 索引 37 的"健康画像"描述有误，已在附录 A 更正声明中存照；全文行号口径统一为 pandas DataFrame 0 基索引（不含表头行，FAQ F14）。
• 扩写纪律：新增事实全部来自官方 data.csv 逐字段实测（附录 F 脚本可一键复算）或经三源交叉确认的临床/文献口径（尾注 11-14）；未引入任何未经核验的新数字；规则可分结构的量化补充（ckd 组 17 例零违反）系本编辑部本轮实测新增存照。

尾注与来源

1. UCI Machine Learning Repository — Chronic Kidney Disease 官方页：https://archive.ics.uci.edu/dataset/336/chronic+kidney+disease（2026-09-29 实抓，HTTP 200）。
2. UCI 官方 API：https://archive.ics.uci.edu/api/dataset?id=336（JSON 6,786 字节，2026-09-29 实抓；intro_paper: null、num_features: 24、creators 三人、DOI 与 license 字段出处）。
3. UCI 官方数据本体：https://archive.ics.uci.edu/static/public/336/data.csv（45,092 字节，2026-09-29 下载；本条目全部实测统计对象）。
4. Qin, C. et al. IEEE Access 8:20991-21002, 2019-12-30, DOI 10.1109/ACCESS.2019.2963053（RF 99.75%/集成 99.83%；Google Scholar 被引 379+，2026-09 口径）。
5. Chittora, P. et al. IEEE Access 9:17312-17334, 2021-01-22, DOI 10.1109/ACCESS.2021.3053763（DNN 99.6%；LSVM-L2 98.86%）。
6. ANFIS-PSO 2026 论文，DOI 10.62762/bish.2026.692582（单分割 100% vs 5 折 CV 87.00%±3.59%；Apollo Manamadurai 口径出处）。
7. PLOS ONE 2024 论文，DOI 10.1371/journal.pone.0295234（SMOTE 平衡；bp 均值 76.175；Apollo Managiri 口径出处）。
8. Charleonnan et al. 2016（SVM 98.3%）、Gunarathne et al. 2017（99.1%）、Sharma et al. 2016（DT 98.60%）、Al Imran et al. 2019（FF-ANN f1 0.99）、Sossi et al. 2019（XGBoost 100%）——综述转引口径，见 §5.1 注。
9. Bristol 大学课程注释版（uob-ds.github.io，Matthew Brett 维护）——Karaikudi “(maybe)” 口径出处。
10. 本编辑部实测档案：FACTS.md（writing/chronic-kidney-disease-uci/FACTS.md，抓取时点 2026-09-29），含全部双口径存照与遗留疑点的第一手记录。
11. Medscape 临床参考区间表；MedlinePlus 医学百科（kidney function tests 等词条）；Kidney Education 临床教材——sc（男 0.6-1.3 / 女 0.5-1.2 mg/dL）、sod（135-145 mEq/L）、pot（3.5-5.0 mEq/L）、hemo（约 12-17 g/dL）、wbcc（5000-10000/mm³）等参考区间的三源交叉口径（2026-09 检索，§2.9）。
12. 腾讯医典（血常规/肾功能/电解质词条）——中文侧第四源核对口径（2026-09 检索）。
13. KDIGO CKD 2024 指南官方 PDF（kdigo.org）——CKD 定义（结构或功能异常 ≥3 个月且影响健康）、CGA 分期 G1-G5 与 A1-A3 口径；NIDDK（niddk.nih.gov）CKD 词条——"G2 无肾损伤标志物不算 CKD"的补充口径（§2.9 背景框）。
14. PeerJ Computer Science 基准论文——自报 wbcc 范围 “(2,200 to 4,800)” 原文存照；本条目实测 [2200, 26400]（均值 8406.12）与之相悖，疑排版丢位（§5.6）。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• framingham — 共享标签：电子健康记录 / 队列研究 / 流行病学
• charls — 共享标签：电子健康记录 / 队列研究 / 流行病学
• opensafely — 共享标签：电子健康记录 / 队列研究 / 真实世界数据
• cprd — 共享标签：电子健康记录 / 队列研究 / 真实世界数据
• twosides — 共享标签：电子健康记录 / 真实世界数据 / 评测基准
• qresearch — 共享标签：电子健康记录 / 队列研究 / 流行病学
• epic-cosmos — 共享标签：电子健康记录 / 真实世界数据 / 流行病学
• iqvia-disease-analyzer — 共享标签：电子健康记录 / 真实世界数据 / 流行病学
• gepard — 共享标签：电子健康记录 / 队列研究 / 真实世界数据
• clif — 共享标签：电子健康记录 / 队列研究 / 评测基准

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。