数据分析技能

分析数据文件（CSV、Excel）并生成可操作的洞察。

快速开始

1. 读取文件 - 使用合适的库：

- CSV：csv 模块或 pandas.read_csv()

- Excel：pandas.read_excel() 并使用 openpyxl 引擎

1. 探索数据 - 获取数据形状、列名、数据类型、缺失值情况

1. 生成洞察 - 计算：

- 描述性统计（均值、中位数、众数、标准差、最小值、最大值）

- 数值列之间的相关性

- 分类列的值频次

- 若存在日期列，分析时间趋势

1. 创建可视化 - 使用 matplotlib：

- 条形图：用于分类数据

- 折线图：用于时间序列

- 直方图：用于分布展示

- 散点图：用于相关性分析

1. 总结 - 用通俗易懂的中文写出发现结论

常见模式

销售数据

import pandas as pd

df = pd.read_csv('sales.csv')
summary = {
    'total_revenue': df['amount'].sum(),
    'avg_order': df['amount'].mean(),
    'top_products': df['product'].value_counts().head(5),
    'monthly_trend': df.groupby(pd.to_datetime(df['date']).dt.month)['amount'].sum()
}

客户数据

demographics = df.groupby('segment').agg({
    'age': ['mean', 'median'],
    'income': ['mean', 'std'],
    'id': 'count'
})

时间序列

df['date'] = pd.to_datetime(df['date'])
monthly = df.resample('M', on='date')['value'].sum()

输出格式

始终包含：

1. 概览 - 数据内容说明（行数、列数、时间范围）
2. 关键指标 - 5-10个可操作的核心数值
3. 洞察 - 3-5条数据揭示的关键发现
4. 可视化 - 对于超过100行的数据集，至少提供2张图表
5. 建议 - 基于分析结果提出的下一步行动建议

错误处理

• 处理缺失值：使用 df.fillna(0) 或 df.dropna()
• 处理日期解析：使用 pd.to_datetime(..., errors='coerce')
• 处理大文件：对于大于100MB的文件，采用分块方式读取