AI编程实战之AI辅助数据分析实操篇

引言：把分析工作拆成可核对的交付物

AI 辅助数据分析的价值，不是跳过业务判断、直接让模型给出结论，而是把资料理解、清洗、计算、解释和呈现等重复工作拆开处理。课程实操反复强调两个原则：每一步都要有明确交付物，以及优先优化过程，而不是只修补一次结果。

以多份 Excel 表为例，可以把一次分析拆成四个阶段：

1. 让 AI 学习文件结构和业务字段，输出数据理解摘要；
2. 按明确键值合并表格、识别并处理脏数据；
3. 先发散探索可能规律，再按明确问题收敛结论；
4. 在结果复核后，按使用场景生成 Excel、PPT、Word 或网页报告。

每个阶段都应允许人工检查和回退。这样即使结果不符合预期，也能定位是资料理解、清洗规则、分析逻辑，还是输出格式出了问题。

一、开始前：整理资料、明确目标与安全边界

将同一次分析需要的原始工作簿、字段说明和任务说明放在一个独立文件夹中，避免把无关文件混入对话。向 AI 提交资料时，应让它同时看到必要的源文件和任务说明，而不是只粘贴一段脱离数据上下文的提示词。

在上传前先做三项检查：

• 资料范围：确认哪些表是本次分析的输入，哪些仅作参考；
• 数据权限：个人信息、客户资料、经营数据和内部文档应先脱敏，并确认可提交给所使用的 AI 服务；
• 分析目的：写清要解决的问题、目标用户、时间范围、输出用途和不应得出的结论。

可以用下面的任务说明约束第一步：

# 用途：要求 AI 先学习数据，而不是直接给出未经核对的结论。
# 使用前：将涉及个人信息、账号、订单号或商业敏感信息的内容脱敏；只附上完成本次任务需要的文件。
请阅读已提供的工作簿和说明文件，先输出“数据理解摘要”，不要修改任何原始文件。
摘要应包含：每个工作表的用途、字段含义、主键或可能的关联字段、时间范围、缺失值与异常值线索。
请列出你尚不能确定的字段含义和需要我确认的业务规则。
本次分析目标是：________。
本次不应根据数据推断：________。

这一步的交付物是数据理解摘要。应逐项核对 AI 是否正确识别了表名、列名、单位、日期范围和关联字段；若不正确，先补充字段说明或改正任务描述，再进入下一步。

二、合并与清洗：先定义规则，再让 AI 执行

多表分析的难点往往不是生成图表，而是确认表之间怎样关联。合并前需要明确：使用哪一个或哪几个字段作为关联键、键值是否唯一、不同表的日期粒度是否一致，以及字段名称相同是否代表相同业务口径。

1. 处理脏数据不能一刀切

课程涉及空值、错误值和异常值的处理。实际操作时，是否删除、补全或保留某条记录，必须服务于分析目的：

问题	不能直接假定的处理方式	应先确认的业务含义
空值	直接删除或直接填 0	是缺失、停业、尚未录入，还是确实为 0？
重复记录	直接去重	是重复导入，还是同一对象的多次有效记录？
异常金额或数量	直接剔除	是录入错误、单位错误，还是需要单列说明的真实极端值？
无法匹配的键	直接丢弃	是主数据缺失、键格式不一致，还是关联规则错误？

应保留原始文件，将清洗后的数据另存，并记录每一条处理规则。AI 可以生成清洗和合并代码，但对关键规则，仍应由熟悉业务的人复核。

2. 用代码让规则可重复执行

AI 处理表格任务通常会生成代码或调用代码执行环境。了解基础 Python 有助于阅读生成的逻辑、定位错误和减少反复试错，但不应假定任何具体 AI 产品都使用同一种语言或执行方式。

以下示例展示的是一种典型的 Pandas 合并与检查写法。字段名和规则需要替换为实际数据口径：

import pandas as pd  # 导入 Pandas，用于读取、清洗和合并表格数据。

orders = pd.read_excel("orders.xlsx")  # 读取订单明细表；保留原始文件不做覆盖。
customers = pd.read_excel("customers.xlsx")  # 读取客户信息表。

# 先检查关联键是否为空，避免缺失键在合并后造成难以解释的结果。
orders_with_key = orders.dropna(subset=["customer_id"])

# 按客户编号左连接，保留订单主表全部记录，便于后续检查未匹配的客户信息。
merged = orders_with_key.merge(customers, on="customer_id", how="left", validate="many_to_one")

# 标记未匹配记录，而不是静默删除；这些记录需要回到业务数据中确认原因。
merged["customer_match_status"] = merged["customer_name"].notna().map(
    {True: "matched", False: "unmatched"}
)

merged.to_excel("merged_for_review.xlsx", index=False)  # 输出待复核文件，供人工检查清洗与匹配结果。

示例中的 validate="many_to_one" 用于要求“订单可对应多个、客户表中每个客户编号只能出现一次”。若实际业务不符合这一关系，应先调整关联规则，而不是强行删掉重复记录。

3. 提示词必须带有行业语义

课程指出，通用提示词无法替代岗位经验。相同的“销售额”“用户数”或“活跃度”在不同行业可能有不同口径。提示词里应写入具体的字段含义、计算规则、排除条件和复核要求，而不是只要求“把表分析一下”。

# 用途：让 AI 依据已确认的规则合并并清洗表格。
# 原则：遇到规则不明确、关联失败或异常比例过高时，先输出问题清单，不要自行猜测或删除。
请按 customer_id 合并订单表与客户表；订单表为主表。
将空 customer_id、无法解析的日期和负数金额分别统计数量并输出到“问题清单”。
不要删除未匹配客户记录；请标记其状态并保留原始行号。
输出一份“合并结果待复核表”和一份“清洗规则说明”。

三、先发散，再收敛：把探索与结论分开

两份课程笔记都使用“发散”和“收敛”描述分析过程：

• 发散：在已清洗、已理解的数据范围内，探索趋势、分组差异、异常点和可能的关联；
• 收敛：围绕明确业务问题，筛选证据、限定结论表达，并以固定格式输出。

发散阶段的目的不是让 AI 任意编故事，而是帮助提出可验证的线索。例如按时间、地区、客户类型、品类或渠道分组，寻找明显变化，再回到原始数据和业务背景核对。

收敛阶段则必须提出明确问题。模糊的“帮我总结一下”通常会得到宽泛描述，难以用于工作。更好的提问应指定分析对象、比较维度、时间范围、判断阈值和输出结构。

# 用途：在数据已清洗并经人工复核后，生成可交付的结论草稿。
# 限制：结论只依据已提供数据；相关性不等于因果关系；证据不足时必须说明。
请分析 2026 年 1 至 3 月的已清洗订单汇总表。
1. 分别比较不同小时段、品类和用户分层的订单量、成交额与转化率。
2. 列出变化最明显的 3 个现象，并给出对应数据依据。
3. 对每个现象说明可能原因与需要进一步验证的信息，不要直接作因果结论。
4. 最后按“发现、证据、业务影响、建议验证动作”四列输出。

课程案例提到电商数据中可能出现浏览多、特定晚间时段活跃、不同人群偏好不同等现象。这类结果应被视为待验证的样本分析，而不能脱离数据来源、指标定义和时间范围，直接推广为所有业务的普遍规律。

四、输出交付：在分析逻辑确认后再做美化

分析结论与展示形式应当分开。先确认清洗规则、计算口径和结论证据，再根据受众制作输出。课程提到的常见形式包括：

• Excel：适合继续核对明细、筛选和交接；
• PPT 或 Word：适合正式汇报和文字说明；
• HTML 页面：适合在浏览器中展示交互式摘要或内部分享。

HTML 页面便于展示，不代表可以随意公开。若页面包含业务数据、下载链接或个人信息，仍应设置访问控制，并确认分享范围。

对于 Excel 输出，可在数据确认后进行排序、高亮、冻结窗格、数字格式和图表美化。openpyxl 是 Python 中常用的 Excel 读写与样式处理库之一：

from openpyxl import load_workbook  # 导入 openpyxl，用于修改已经复核过的 Excel 输出文件。
from openpyxl.styles import Font, PatternFill  # 导入字体和填充样式，用于突出表头。

workbook = load_workbook("analysis_result.xlsx")  # 打开已确认计算逻辑的结果文件。
sheet = workbook["Summary"]  # 选择需要展示的汇总工作表。

header_fill = PatternFill("solid", fgColor="1F4E78")  # 定义表头背景颜色。
for cell in sheet[1]:  # 遍历第一行表头单元格。
    cell.font = Font(color="FFFFFF", bold=True)  # 将表头设为白色粗体字。
    cell.fill = header_fill  # 应用表头背景颜色。

sheet.freeze_panes = "A2"  # 冻结首行，便于浏览较长的结果表。
workbook.save("analysis_result_formatted.xlsx")  # 另存为美化后的文件，保留原结果文件以便追溯。

美化只能提升可读性，不能代替数据复核。重要结论仍需检查样本量、计算口径、异常记录和业务解释是否成立。

五、常用 Python 库与模型选择的实用边界

课程提到几个常用库，适合把它们理解为工具箱中的不同部件：

工具	常见用途	使用时的注意事项
Pandas	表格读取、清洗、分组、合并和汇总	要明确字段类型、缺失值含义和关联键约束
NumPy	数值计算和数组处理	多数常规 Excel 任务不必直接使用，但常被其他分析库依赖
openpyxl	.xlsx 文件读写、格式与样式处理	适合生成或美化工作簿；保存前应确认未破坏公式、宏或特殊格式

import pandas as pd 中的 as pd 是给模块设置别名，便于后续调用。Python 标准库随 Python 安装提供；第三方库则需要通过包管理器安装。AI 工具可能帮助生成安装命令，但执行前仍应核对包名、来源、版本和许可证。

第三方依赖存在供应链风险，不能只以“是否主流”作为唯一判断标准。更稳妥的做法是使用官方或可信软件源、固定版本、查看维护状态与许可证、在隔离环境中测试，并避免在没有审查的情况下执行来历不明的安装脚本。

对于模型选择，也不宜假设所有产品的自动模式都会选择“最优模型”或“随机模型”。不同服务的自动路由策略并不公开且会变化。涉及重要数据分析时，建议用小样本比较候选模型在字段理解、代码正确性和结果可解释性方面的表现，再结合成本、速度、隐私和可用性作出选择。

六、一次完整实操的复核清单

1. 原始文件是否保留，上传资料是否已脱敏并获得授权？
2. AI 的数据理解摘要是否与真实表结构、字段口径和时间范围一致？
3. 合并键是否正确，未匹配、重复和异常记录是否被标记并解释？
4. 清洗规则是否与分析目的一致，是否保留了可追溯的处理说明？
5. 发散阶段发现的现象是否有数据依据，是否避免把相关性写成因果性？
6. 收敛阶段的结论是否明确回答了业务问题，并说明了证据、限制和下一步验证动作？
7. 输出文件是否适合目标受众，且未泄露不应分享的数据？

本篇小结

AI 辅助数据分析的核心不是让模型替代业务判断，而是用模型加快资料理解、清洗执行、代码生成和结果呈现。实操应按“先学习数据、再按规则合并清洗、先发散探索再收敛结论、最后独立输出”的顺序推进，并且每一步都设置可检查的交付物。

当结果有问题时，应回到字段说明、清洗规则、分析步骤或输出要求中定位原因，优先优化过程，而不是只手动修改一次结果。这样才能将一次性的分析任务逐步沉淀为可复用、可审查的工作流程。

技术指导来自：Python4Office