AI 数据分析代码怎么写：先定分析规格，再核对 R、Python 和 SPSS 结果

我需要把一份已经确定的分析规格实现成可审查脚本。先不要选择统计方法，也不要先跑模型；如果下面任何一项没写清楚，先列缺口并停在这里。

【软件】R / Python / SPSS 及版本：
【输入】脱敏小样本文件、数据版本/哈希、主键和一人多行规则：
【字段字典】字段名、含义、类型、单位、编码、特殊缺失值、时间点：
【研究问题】
【主要结局与目标效应尺度】
【比较组与参考组】
【协变量及纳入理由】
【缺失、排除、重复测量或聚类处理】
【预先指定的模型、假设检查和敏感性分析】
【输出要求】每组 N、描述统计、效应量、95% 区间、p 值、图表和机器可读结果：

请按五个可单独运行的部分输出：
1. 导入与校验：打印行列数、主键重复、类型、类别、范围、特殊缺失和样本流转；不符合字典就停止。
2. 变换：保留原字段，逐个创建派生变量，并用正常、边界、缺失行展示前后值。
3. 分析：只实现我明确指定的方法，说明每个模型回答哪个问题，不用默认检验替我决定。
4. 诊断：输出警告、假设检查、实际分析样本和未纳入的行。
5. 导出与复现：从结果对象生成表图，记录软件/包版本、随机种子、命令、日志和输入版本。

代码之外再给“人工必须确认”的清单。禁止上传未经批准的敏感数据；不要把代码成功运行、p 值或漂亮图表写成研究结论。

import csv, io, json, statistics

raw = """id,group,visit,score
P01,0,baseline,2
P01,0,followup,4
P02,0,baseline,3
P02,0,followup,9
P03,1,baseline,2
P03,1,followup,3
P04,1,baseline,3
P04,1,followup,3
"""
# 教学字典：0=干预，1=对照；1-5为评分，9=拒答。
# 分析单位为参与者；仅演示完整前后测的个体变化及分组均值。
people = {}
for row in csv.DictReader(io.StringIO(raw)):
    pid, group, visit = row["id"], row["group"], row["visit"]
    if not pid or group not in {"0", "1"} or visit not in {"baseline", "followup"}:
        raise ValueError("字段不符合字典: " + repr(row))
    value = int(row["score"])
    if value not in {1, 2, 3, 4, 5, 9}:
        raise ValueError("评分超出字典: " + repr(row))
    p = people.setdefault(pid, {"group": group})
    if p["group"] != group or visit in p:
        raise ValueError("同人分组不一致或访视重复: " + pid)
    p[visit] = None if value == 9 else value

changes = {"0": [], "1": []}
excluded = []
per_person = []
for pid, p in people.items():
    if p.get("baseline") is None or p.get("followup") is None:
        excluded.append(pid)
        continue
    delta = p["followup"] - p["baseline"]
    changes[p["group"]].append(delta)
    per_person.append({"id": pid, "group": p["group"], "change": delta})
if not all(changes.values()):
    raise ValueError("至少一组没有完整前后测，不能计算两组均值差")
means = {g: statistics.mean(v) for g, v in changes.items()}
result = {
    "participants": len(people),
    "complete_pairs": len(per_person),
    "excluded_ids": excluded,
    "per_person": per_person,
    "mean_change_intervention": means["0"],
    "mean_change_control": means["1"],
    "difference_intervention_minus_control": means["0"] - means["1"]
}
print(json.dumps(result, ensure_ascii=False, indent=2))