第17课：Data、Table、Chart

学习目标

• 理解Data、Dataset、Row、Column、Chart等基础词
• 掌握数据分析前先检查数据质量的原则
• 区分相关性与因果性

正文

Data

Data = 数据。

Dataset

Dataset = 数据集。

Row / Column

Row = 行；Column = 列。

Chart

Chart = 图表。

AI做数据分析时最容易犯的错误之一，是直接解释数据，却没有先检查：

• 缺失值
• 重复值
• 单位
• 日期格式
• 异常值
• 样本量
• 指标定义

一个正确流程

理解问题 → 检查数据 → 清洗 → 分析 → 可视化 → 解释 → 核验。

1. 本课要建立的整体认识

数据分析不是把表格交给AI问“有什么结论”，而是从问题、指标和数据质量出发，经过清洗、探索、建模、解释和核验。

2. 把核心概念逐层拆开

2.1 一行通常代表一个观察对象

一行通常代表一个观察对象，一列代表一个变量；首先要确认分析单位和每列真实含义。

2.2 缺失值、重复值、类型错误、单位不一致、异常值和编码差异会直接改变结果。

缺失值、重复值、类型错误、单位不一致、异常值和编码差异会直接改变结果。

2.3 描述统计回答“数据是什么样”

描述统计回答“数据是什么样”，推断统计尝试从样本讨论总体，两者不能混淆。

2.4 图表应匹配问题：比较用条形图

图表应匹配问题：比较用条形图，趋势用折线图，分布用直方图或箱线图，关系可用散点图。

2.5 相关性不证明因果；要考虑混杂因素、时间顺序、选择偏差和实验或准实验设计。

相关性不证明因果；要考虑混杂因素、时间顺序、选择偏差和实验或准实验设计。

3. 把概念串成一条完整流程

标准流程是：定义问题→形成数据字典→检查质量→记录清洗规则→探索性分析→选择方法→验证假设→制作图表→说明限制→保存可复现过程。

4. 用真实场景理解

满意度上升可能与新功能有关，也可能来自样本变化、活动促销或问卷修改。只展示一张上升折线图不足以证明新功能造成了提升。

5. 学习时应该怎样判断自己是否真正理解

不要只看自己是否“听过”这些词。请尝试不用原文，向一位没有技术背景的人解释本课概念；再画出关系或流程；最后换一个与你专业相关的例子。如果无法说明输入、处理、输出、依据和风险，就说明还停留在名词记忆阶段。

遇到模型、工具或规则变化时，优先保留这里学到的判断框架：先定义任务，再确认资料与边界，随后执行、测试和核验。具体品牌和界面会变化，但这种工作方法可以持续使用。

6. 本课小结

本课不是要求一次记住全部细节，而是建立一个能够继续扩展的知识框架。完成正文后，请结合后面的示例、测验和实践任务，把理解转化成自己的语言和可检查的成果。

7. 进一步拆解：从“知道名词”到“会做判断”

学习技术概念时，最容易出现的问题是记住了定义，却不知道什么时候使用，也不知道怎样发现错误。下面逐项使用同一组问题检查理解：

• 一行通常代表一个观察对象：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• 缺失值、重复值、类型错误、单位不一致、异常值和编码差异会直接改变结果。：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• 描述统计回答“数据是什么样”：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• 图表应匹配问题：比较用条形图：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• 相关性不证明因果；要考虑混杂因素、时间顺序、选择偏差和实验或准实验设计。：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。

8. 建立自己的操作检查表

第一张是“任务表”：写清服务对象、目标、已有材料、最终交付物和完成标准。第二张是“数据与来源表”：记录每项材料从哪里来、何时获得、是否允许使用、是否需要更新。第三张是“执行表”：把任务拆成可以观察状态的步骤，标明每一步的输入、处理、输出和失败提示。第四张是“核验表”：列出必须人工检查的事实、数字、引用、权限、安全和专业边界。

这四张表适用于本课所讲的大多数任务。它们能防止把“模型给出了结果”误认为“工作已经完成”，也能帮助团队在出现问题时迅速定位到底是需求不清、资料错误、流程中断，还是输出没有经过验证。

9. 与前后课程的关系

这套20课不是彼此孤立的知识点。本课涉及的概念，需要与Prompt中的任务说明、API与软件系统中的执行链、RAG中的资料依据、数据分析中的质量检查以及AI安全中的责任边界结合起来。学习时可以不断回到一个问题：如果把这个概念放进完整AI产品，它位于哪一层，会影响谁，又需要谁来检查？

10. 课后自查

1. 我能否不用术语堆砌，用自己的话解释本课核心关系？
2. 我能否画出一个包含输入、处理、输出和核验的流程？
3. 我能否举出一个与自己专业、学习或工作有关的实例？
4. 我能否说出至少两个容易犯的错误，以及怎样提前发现？
5. 我能否把本课方法用于一个真实任务，并留下可检查的成果？

示例

常见误区

• “有数据就能得出结论。”——样本和指标可能有偏差。
• “图表越多分析越专业。”——图表要服务于问题。
• “相关系数高就证明因果关系。”——相关性不等于因果性。

小测验

点击题目查看答案。

实践任务