第九章 分类与标签：给数据编家谱

整理加拿大数据这件事，做到一定阶段就会发现，真正花时间的不是收集，而是决定每一条记录该放进哪个抽屉。最早我只建了一个总表，所有加拿大28的开奖记录都往里面塞，日期一列、期号一列、七个号码一列，看起来清爽，用起来却越来越别扭。想找某个号码连续出现的情况，得用筛选一层层翻；想把PC28和加拿大28的节奏放在一起比，又发现两类记录混在同一张表里，公式一拉就串行。问题不在数据本身，在于我没有给它们编家谱。

分类的第一步是认清数据的来源层级。同样是开奖数据，有的是按天归档的，有的是按期号顺序排列的，还有的是从不同渠道抄录后需要交叉核对的。我现在的做法是先分三个大类：原始抓取、清洗后可用、存疑待查。加拿大数据一旦贴上来源标签，后面再整理就省事很多。比如2024年3月那批PC28开奖记录，原始文件里有两天的时间戳格式不一致，我单独拎出来放进存疑类，等核对完再并入可用类，而不是当场硬改。这样做的代价是多了一个中间层，好处是任何时候都能回溯到源头。

标签比分类更细，它更像是给每条记录写的注脚。拿加拿大28预测来说，我不会把预测结果和实际开奖记录放进同一个字段，而是拆成两列：一列记预测方向，一列记实际结果，再补一列标记是否吻合。PC28走势的分析也类似，趋势判断是一层，原始号码是另一层，中间用期号做锚点连起来。这样整理之后，回头统计某段时间的吻合情况，一个公式就能出结果，不必再靠肉眼比对。标签的原则是宁多勿少，但每加一个都要问自己：这个标签以后真的会用到来筛选吗。用不上的标签，就是给未来的自己添乱。

数字例子最能说明问题。我手头有一段连续30期的加拿大28开奖记录，期号从2403011排到2403040。按最粗的分类，这30条属于同一批；按标签拆开，其中11条带“连号”标记，7条带“重号”标记，还有4条同时带这两个标记。如果只做分类不做标签，这4条重叠的记录就容易被重复统计。整理到这一步我才明白，分类解决的是归属问题，标签解决的是特征问题，两者不能互相替代。PC28那边也是同样的逻辑，同一期数据既可以属于“高频区间”，也可以属于“尾数偏小”，标签之间允许交叉，分类则要求尽量互斥。

给数据编家谱还有一个容易被忽略的好处：出错时知道该找谁。有一次我发现加拿大数据的某个月份统计对不上，顺着分类层级往回查，先定位到清洗后可用那一类，再按标签筛出当月所有带“补录”标记的加拿大28开奖记录，最后发现是两条记录的期号被写成了相邻数字。如果没有分类和标签，这种错误往往要等到统计结果明显异常才会暴露，而那时已经很难判断是哪一步出的问题。现在我的习惯是每次新增一批PC28开奖记录，先归大类，再打标签，最后才做走势汇总，顺序不乱。

当然，分类和标签不是一次定死的。刚开始整理加拿大数据时，我把加拿大28预测单独设了一个大类，后来发现预测记录数量太少，单独成类反而让目录显得零碎，就把它降级成标签，挂在对应的开奖记录下面。PC28走势的分析笔记也经历过类似调整，从独立分类变成标签，再变成备注字段。这套家谱是跟着使用习惯慢慢长出来的，不是一开始就设计好的。每隔一段时间回头看看哪些分类常年空着、哪些标签从来没被筛过，该合并的合并，该删的删，整理这件事才算真正闭环。