# DC - 数据清洗整理

> **模块代号：** DC (Data Cleaning)  
> **开发状态：** ⏳ 规划中  
> **商业价值：** ⭐⭐⭐⭐⭐ 可独立售卖  
> **独立性：** ⭐⭐⭐⭐⭐  
> **优先级：** P1

---

## 📋 模块概述

数据清洗整理模块提供专业工具，处理医院导出的海量（百万行级）、多表格的Excel数据。

**核心价值：** 核心差异化功能，解决医学科研痛点

---

## 🎯 核心功能

### 1. 表格ETL（重点）
- 多张Excel表格导入
- 按"患者ID"和"时间"自动JOIN
- 重组为干净的分析宽表

### 2. 文本提取（NER）（重点）
- 从病理报告提取结构化字段
- 从住院小结提取关键信息
- TNM分期自动识别

### 3. 数据质量报告
- 缺失值统计
- 异常值检测
- 数据质量评分

### 4. 导出标准化数据
- Excel导出
- SPSS格式
- R语言格式

---

## 📂 文档结构

```
DC-数据清洗整理/
  ├── [AI对接] DC快速上下文.md       # ⏳ 待创建
  ├── 00-项目概述/
  │   └── 01-产品需求文档(PRD).md    # ⏳ 待创建
  ├── 01-设计文档/
  │   ├── 01-ETL引擎设计.md          # ⏳ 待创建
  │   └── 02-医学NLP设计.md          # ⏳ 待创建
  └── README.md                       # ✅ 当前文档
```

---

## 🔗 依赖的通用能力

- **LLM网关** - 医学NER提取（云端版）
- **文档处理引擎** - Excel/Docx读取
- **ETL引擎** - 数据清洗和转换
- **医学NLP引擎** - 实体识别（单机版）

---

## 🎯 商业模式

**目标客户：** 临床科室、数据管理员  
**售卖方式：** 独立产品  
**定价策略：** 按项目数或一次性License

---

## ⚠️ 技术难点

1. **大数据处理** - 百万行数据的内存管理
2. **隐私保护** - 单机版必须100%本地化
3. **NER准确率** - 医学术语复杂

---

**最后更新：** 2025-11-06  
**维护人：** 技术架构师