数据类型问题最危险的地方在于：图表通常仍能画出来，但业务含义已经偏了。日期被按 UTC 处理、空字符串被当作缺失、数值类型发生转换，都可能让结果“看似合理”。
先检查四类高风险字段
- 日期时间：来源是否包含时区，日界线是否会跨天。
- 编码：是否有前导零、混合大小写、空格或数值化风险。
- 金额和精度：货币、长整数和实数在转换后是否仍满足业务精度。
- 空值：空字符串、真正缺失值和零值是否被区分。
数据函数中为什么要格外谨慎？
官方数据类型映射说明，Spotfire 与 TERR/R 的类型并不完全相同；例如日期时间以 UTC 的 POSIXct 表示，某些数值类型会映射为 numeric。来回传递时，值很大时可能受精度影响。脚本作者必须明确输入类型，并对输出类型做断言或检查。
空字符串不是一个小问题
空字符串可能在导出、Pandas/Numpy 或数据函数链路中造成异常，也可能在统计时被当成有效类别。不要只在脚本报错后临时替换；应在数据画布或上游规则中明确：该字段为空是否代表未知、未填、无此项，还是应删除记录。
上线前的数据质量最小检查
- 抽样核对原始系统与 Spotfire 中的关键日期和编码。
- 统计空值、唯一值和异常范围，并记录可接受阈值。
- 用已知结果的测试样本验证脚本或计算指标。
- 在每次数据源、字段类型或时区规则变化后重新验证。
结论
数据质量不是最后补的一页说明，而是每个计算和可视化的前提。先确认类型、时区和空值语义，才有资格讨论趋势、异常和预测。
Spotfire 报告交付与高级计算教程
官方参考
本文计划于 2026 年 10 月 15 日 发布；涉及软件版本、许可、服务器配置和数据权限时，请以当前产品文档与实际部署环境为准。