Appearance
用 Codex 分析数据并制作可视化
嘿，朋友！你有没有遇到过这种情况——扔给 Codex 一个 CSV，让它“帮我分析一下”，几秒钟就吐出来一堆图表，看着挺像那么回事。但回头一想：缺失值它怎么处理的？重复记录删了没？币种统一了吗？时区对了没？心里完全没底。
我自己就踩过这个坑。有一次拿销售数据让 AI 直接出图，出来的趋势特别漂亮，结果发现它把美元和人民币混在一起算了，退货记录也没剔除。从那以后我就学乖了：先定口径、再清洗、通过质量检查，最后才画图。这一套流程走下来，分析结果才能放心用。
这篇文章就是我在这个过程中攒下来的经验，按步骤来，每一步都有具体的做法和 Codex 提示。
不会写代码也能搞定
如果你的数据量不大，完全可以在 ChatGPT Work 里直接上传 Excel 或 CSV，按这个顺序来：先让它解释字段含义、标记缺失值、确认业务口径，然后利用表格能力生成清洗后的工作簿、公式、透视表、图表和结论页。原始文件始终留一份副本，这样搞错了还能回头。
下面会提到的 scripts/、notebook 和可重跑脚本，属于需要严格复现、批量处理或者交接给同事时的进阶方案。就算你用不上脚本，有几件事还得做到：清洗规则记下来、原始数据别动、公式抽查一下、结果抽几个验证，还有就是——相关性别直接当因果写。
第一次上手的话，推荐先看看 怎样检查 Excel 和数据文件，里面有一些基础但很实用的技巧。
第一步：把原始数据设为只读
先把目录搭好：
text
analysis/
├── data/raw/
├── data/processed/
├── scripts/
├── notebooks/
├── figures/
├── reports/
└── README.md核心原则就一条：原始文件绝不覆盖。所有处理结果写到 processed/。同时记下来源、下载日期、许可和文件校验值——过几个月回来复查的时候，你会感谢现在勤快的自己。
第二步：先做数据剖析
别一上来就画图，先让 Codex 帮你把数据摸清楚。用下面这个提示：
text
只读分析 data/raw/。输出 data-profile.md：
- 文件、行列数和编码；
- 字段类型与候选主键；
- 日期、时区、币种和单位；
- 缺失、重复、异常和无法解析值；
- 表之间可连接字段；
- 隐私和敏感字段；
- 需要业务确认的问题。
不要清洗或画图。这一步会暴露很多你意想不到的问题。我遇到过日期字段里混着时间戳和纯文本、金额字段有的带千分位逗号有的不带——这些问题不早点发现，后面分析全白做。
业务口径的问题优先问相关同事。比如退款按申请日还是完成日算、收入是含税还是不含税，这些不是技术问题，但偏差了结论就歪了。
第三步：写数据字典和分析计划
先整理 data-dictionary.csv，把字段、含义、单位、来源、允许值、缺失处理方式都写进去。这张表看着简单，后续所有分析都要靠它对齐口径。
然后让 Codex 出分析计划：
text
根据已确认口径写 analysis-plan.md。每个问题包含指标公式、分组、过滤、比较基线、预期图表和可能混杂因素。不要把相关性设计成因果结论。第四步：生成可重跑清洗脚本
这一步是关键。用下面这个提示：
text
在 scripts/ 中编写清洗脚本，把 raw 转换为 processed。要求：
- 不修改 raw；
- 每一步有明确函数；
- 输出处理前后行数；
- 对丢弃/修复记录生成质量报告；
- 日期、币种和单位转换可配置；
- 相同输入重复运行得到相同输出；
- 补最小测试。我踩过的一个经典坑：清洗逻辑只写在 notebook 某个犄角旮旯的单元格里，过两周再看完全不记得改了啥。所以清洗规则一定要落成独立脚本，能重复跑，换台机器也能跑通。
第五步：做质量闸门
清洗完别急着分析，先过一遍质量检查。我自己常用的几个检查项：
- 主键重复为 0；
- 必填字段缺失率低于明确阈值；
- 金额、数量不超出业务范围；
- Join 后未匹配比例可解释；
- 汇总金额与来源报表差异在允许范围；
- 行数变化有记录。
质量闸门不过，就停下来修数据，别硬着头皮往下画图。我有一次跳过这步直接做分析，报告都写好了才发现 Join 把行数膨胀了三倍——全白干了。
第六步：探索与验证分开
探索阶段可以放飞一点：用 notebook、开多个 worktree、换各种可视化插件试试不同的分析方向。但最终结论一定要落回稳定脚本和固定数据集，不能靠某次手动调参的结果当作最终答案。
我习惯并行开三个 worktree：
- 一个研究缺失值和异常；
- 一个比较图表与分组；
- 一个检查模型或敏感性。
主任务负责统一口径和最终 pipeline，这样不同分支不会各用一套清洗方式，结果打架。
第七步：制作可解释图表
每张图只回答一个问题，而且要让人一眼看懂。图里必须有这些要素：
- 有结论的标题；
- 轴、单位、时间范围；
- 样本量或数据覆盖；
- 来源和口径；
- 不确定性或异常说明；
- 色彩和排序有含义。
给 Codex 的提示可以这样写：
text
为分析计划中的每个问题选择最简单有效的图表。不要默认使用 3D、双轴或过多小卡片。图表标题写出观察结论，脚注写数据范围和限制。我的经验是：如果一张图需要解释三分钟别人才能看懂，那这张图就没做好。简单直接比炫技重要得多。
第八步：进行反证和敏感性检查
做完分析，别急着交，花点时间拷问一下自己的结论：
- 改变时间窗口，结论是否稳定；
- 去除极端值，方向是否变化；
- 分组差异是否被样本结构解释；
- 缺失值处理是否改变结果；
- 相关变量是否只是共同受第三因素影响；
- 指标分母是否在变化。
涉及模型的，还要检查训练/测试划分、数据泄漏、基线和适用范围。我有个习惯：专门花一轮时间试图推翻自己的结论。推翻不了，才敢说这个结论是站得住的。
第九步：交付报告和可运行说明
最后把东西整理成别人能用的样子。README.md 写清：
text
环境与依赖
输入文件放置位置
清洗命令
质量检查命令
分析/图表命令
输出位置
已知限制报告里要区分清楚：哪些是数据事实、哪些是统计结果、哪些是你的解释、哪些是建议、哪些是还没确认的假设。这几个混在一起是数据分析的大忌。
一个完整任务提示
把上面所有步骤串起来，一个完整的 Codex 提示大概长这样：
text
分析 data/raw/ 中的订单、退款和广告数据，回答"毛利下降主要发生在哪些 SKU 和渠道"。
先完成数据剖析和口径问题，不要直接画图。确认后建立可重跑清洗脚本、质量报告、指标表、最多 5 张图和两页结论报告。
所有结果必须能从脚本复现；原始数据只读；真实用户字段要脱敏；不要把相关性写成因果。输出运行命令和未解决的数据问题。常见失败
聊几个我见过（也犯过）的高频错误：
图表先于口径
上来就画图，结果数据含义都没统一。解决办法很简单：先做数据字典和质量报告，再做图。
notebook 能跑，别人不能跑
自己机器上跑通了，同事一跑就报错。把核心逻辑提取成稳定脚本，写好依赖和 README，从干净环境重跑一遍验证。
Join 造成数据膨胀
两张表一 Join，行数莫名多了好几倍。养成习惯：验证主键唯一性、对比 Join 前后行数和未匹配比例。
漂亮图表掩盖不确定性
图做得花里胡哨，但样本量够不够、有没有异常值、结论对参数敏不敏感——全没交代。保留样本、范围、异常和敏感性结果，别让图表替你隐瞒不确定性。
完成门槛
做完分析后，拿这个清单自己过一遍：
- [ ] 原始数据只读且有来源记录。
- [ ] 数据字典和业务口径已确认。
- [ ] 清洗脚本可重复运行。
- [ ] 质量闸门通过。
- [ ] 图表可回到明确指标和 processed 数据。
- [ ] 结论通过敏感性/反证检查。
- [ ] 其他人能按 README 复现。