3.0 学习指南与任务单：数据分析与可视化

主要学习路线已经放在 第 3 章入口。本页只作为练习时快速查看的清单。

一句话模型

读取→检查→清洗→统计→可视化→解释

如果一张图不能用一句话解释，就回到数据问题本身。

留下的证据

学完这一页，至少保留这张证据卡：

数据来源

使用的原始记录或小型数据集

处理步骤

纯 Python、NumPy、Pandas、绘图或 SQL 操作

输出

清洗后的数据、统计量、图表、查询结果，或报告备注

失败检查

数据缺失、形状不匹配、聚合错误或问题不清晰

期望产出

数据成果，以及值得信任它所需的证据

练习清单

检查项	证据
能检查行、列、类型和缺失值	df.info() 和缺失值记录
能处理重复、缺失和明显异常值	清洗日志
能用 groupby 回答一个问题	汇总表
能为具体问题选择图表	3 个图表文件
能写出结论和局限	report.md
能完成可复现实操	ch03_output/

检查思路与讲解

• 把这份清单当成最终证据审计。每个项目都应能指向原始文件、清洗后文件或清洗脚本、摘要表、图表和短结论。
• 每个结论都写一句支撑证据和一句限制。这个习惯能避免从小而脏的数据里过度下结论。
• 如果其他学习者不能从一个干净文件夹重跑你的 notebook 或脚本，先修路径、依赖和 README 步骤，再进入下一章。

证据标准

产物	应该回答什么
数据字典	每一列是什么意思，单位是什么，数据从哪里来？
清洗日志	哪些行或值被改变，为什么这个规则可以接受？
汇总表	哪个数值模式支撑了答案？
图表	这张图回答了哪一个具体问题？
局限记录	缺失数据、抽样、时间或泄漏还可能造成什么问题？

可以继续的信号

当一个 CSV 能从原始数据走到清洗数据、汇总表、图表和简短文字结论时，就可以进入第 4 章。