按小时拆了三天引用数据，发现「未标注时间戳」那批根本没法归因

大佬们晚上好，又来求指点了，这次是真被口径卡住了，急。

上个月我照着社区里说的，把后台的 AI 引用记录导了出来，想看看哪些页面被引得多。导出来一看字段还挺全：页面 URL、引用时间、问句、模型名。我一开始图省事，直接按天聚合，出了个日报给组长看，结果被问了一句「同一天上午改的标题，下午的引用算改前还是改后」——我当场答不上来。

回去重做，这次学乖了，按小时拆。拆完三天数据（大概 4800 条引用记录），发现三个特别具体的问题：

一、时间戳有近两成是空的
我筛了一下，citation_time 为空或者只精确到日期的记录，占 18.7%。这批记录没法落到具体小时，按小时看趋势的时候，它们只能被丢掉。丢完之后，某两个小时的引用量直接掉了一半，趋势图出现一个假的「低谷」。我第一次报出去的那个「午间引用下跌」，其实就是这批空时间戳被筛掉的假象。

二、同一问句在同一个小时里，重复引用同一条 URL 好几次
我原以为是不同用户问的，后来看 session 字段（如果有的话）才对上，很多是同一次会话里的多轮追问。如果按「引用条数」算曝光，这条 URL 会被放大三四倍。我现在改成先按「会话+问句」去重，再数引用，数一下子掉下来，但我觉得这个才是能拿去对外的口径。

三、改版时间和引用时间对不上
我们上周二下午三点改了一版 FAQ，我想看改版前后引用率变化。结果发现引用记录里的时间是「抓取时间」，而页面上线时间是另外一个系统里的，两者中间有延迟，最长的一条差了 6 个多小时。也就是说，我按小时切的时候，切点根本没法精确到改版那一刻，只能取一个区间，比如改版前后各 24 小时对比。

所以我现在想固定一套跑批口径，初步是：

• 只统计 citation_time 精确到小时的记录，空值的单独留一张表，不混进趋势
• 按「会话+问句」去重后算引用数，同时保留原始条数做参考
• 改版前后各取 24 小时做对比，不追求小时级精确切点

但我心里没底，尤其第一条，丢掉近两成数据是不是有点狠？大佬们平时跑批的时候，空时间戳的引用记录是直接剔除、按天回填，还是单独看？另外去重那一步，你们是按 session 去重还是按问句去重？求大佬指点，最好能说说你们跑批脚本里具体怎么处理这两个字段的。