🔗 用会员骨架把人完整接回来

三张聚合表准备好以后，再以会员主表为骨架逐张 左连接。这是一种可以复核的分析选择：完整骨架保留 13,622 名不重复会员，涉及流失的图表再限定到 12,272 名有标签会员。连接顺序可以调整，粒度和人数检查不能省掉。

这份数据里，12,272 名有标签会员中有 1,507 人没有刷卡记录。刷卡聚合表做内连接会直接删掉他们，样本构成和退会率分母也会改变。用会员骨架左连接后，这 1,507 人仍然留在表里，接下来再按字段含义处理他们的空白。

🧮 内连接刷卡表会删掉 1,507 名已有标签的会员。删掉的是样本里的一类人，退会率分母会随之改变。

🕳️ 次数为零和时间空白要分开

同一个空白，在不同字段里代表的事情并不相同。观察窗内没有刷卡记录时，刷卡记录数可以写成 计数为 0；最近刷卡时间缺少可计算的日期，应当保留为空，并增加「无刷卡记录」指示。人口分群没有匹配时，则把缺口保留成独立状态，不能套用行为次数的 0。

放到一行草稿里，可以这样写：会员 D 的 attendance_count=0，last_attendance_date 为空，no_attendance_record=1。会员 E 有刷卡记录，只是最近一次已经超过 365 天，E 的时间差仍然有定义。两个人因此进入不同分组。

这个区分会实质改变解读。无刷卡记录的 1,507 人流失率为 7.43%；有记录且距最近一次超过 365 天的 403 人流失率为 16.62%。这组描述展示的是关联和人群差异，不能把时间距离写成流失原因，也不能把无记录会员统称为长期未到访会员。

🧭 0 表示观察窗内记录到 0 次，空值表示这个时间量没有可计算的起点。两者分开后，图表和策略对象不会混成一组。

✅ 每次连接都留下三组检查数

我会在代码旁边留一张连接记录表。它不需要复杂，能让总行数、不同 HashID 数和未匹配人数连续对上就够了。当前数据可以先填好这一段：

然后按同一顺序继续：

1. 连接前确认右表已经聚合到每名会员一行；
2. 连接后确认总行数没有增加，HashID 没有重复；
3. 记录新增字段的未匹配人数，再决定填 0、留空或增加指示；
4. 画流失图时只使用 12,272 名有标签会员，并保留无事件会员。

交稿前再扫一遍这份 连接检查：

• 事件多的会员没有重复标签
• 无事件会员仍在分析表中
• 次数为 0 与时间空白已经分开
• 图表分母能从连接记录里复核

这样整理以后，每张图比较的仍然是会员。后续讨论行为、属性和流失的关系时，分组对象也不会被某一次连接悄悄换掉。

✅ 先确认右表一人一行，再核对总行数、HashID 重复数和未匹配人数。