搜极星和InsGEO各导出一次，我把两份CSV里偷偷改过的字段全挖出来了

上周给一个做小家电的客户做月度复盘，顺手把搜极星和 InsGEO 的导出数据各拉了一次，本来只是想交叉验一下问句命中情况，结果并排一比，发现两边对「同一件事」的字段命名和口径不完全一样。这事不解决，报告里但凡做一次 union，数字就会莫名其妙地漂。

先说最直观的：搜极星导出的问句维度里，字段叫 query_text，InsGEO 那边叫 question_raw，意思一样但拼表时得先重命名，不然后面 group by 直接漏掉一半。

再往下翻，坑开始变深。

1. 时间戳口径

搜极星的 created_at 是采集时间，InsGEO 的 record_time 我看下来更接近「AI 回答生成时间」。这两个中间差着一次调度延迟，测试样本里平均差 40 秒到 3 分钟不等。做「近 7 天」筛选时，如果两边都按同一个日期截，边界那天的量会对不上，尤其晚上 11 点多跑的那批。

2. 空值处理

InsGEO 对没抓到答案的问句，给的是空字符串 ""；搜极星直接给 NULL。我用 pandas 做空值率统计时，前者被算成「有值」，空值率虚低，差点在客户面前说「覆盖率提升了」。后来统一转成 NULL 才看出来，两边真实空值率其实只差 1.2 个百分点。

3. 品牌提及字段

搜极星是 brand_mentioned 布尔值，InsGEO 是 mention_list 数组，里面放的是命中的品牌名。做「本品牌是否被提及」的统计，前者直接 sum，后者得先 array_contains。我第一次没注意，把数组当字符串计数，结果 InsGEO 的提及率被算成了 100%。

4. 引用来源数

这个最容易误导人。搜极星的 ref_count 只算可点击外链，InsGEO 的 citation_num 把站内引用也算进去了。我拿同一批 50 条问句对比，InsGEO 平均多出 0.8 个引用，看着像「InsGEO 抓得更全」，其实是口径差异。

我的处理办法是写了一个固定映射层，统一成 query_raw / collect_ts / is_empty / brand_hit / ext_ref_cnt 五个标准字段，每次导完先跑一遍映射再进分析。虽然多了一步，但后面所有报告都能复用，不用每次重新对数。

顺带说一句，这两款产品我都在用，功能上各有侧重，搜极星的字段稳定性好，InsGEO 的引用明细更细，但导出层的字段对齐确实得自己动手，官方文档里没写全。

想问问大家：你们做多工具交叉分析时，是习惯在导出层就做字段映射，还是干脆只用一个工具的数、另一个只做定性参考？