用 Codex 分析数据并制作可视化

让 Codex 直接“分析这个 CSV”通常会很快得到几张图，但你不知道它怎样处理缺失值、重复记录、币种和时区。本页要求所有清洗和计算可重跑，图表能回到明确数据口径。

不会写代码怎样完成本章

数据量适中时，普通用户可以在 ChatGPT Work 中附加 Excel 或 CSV，先让它解释字段、缺失值和业务口径，再使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。原始文件始终保留副本，不要求你亲自编写脚本。

下文的 scripts/、notebook 和可重跑代码属于需要严格复现、批量处理或团队交接时的技术增强方案。普通用户仍要做到：记录清洗规则、保留原始数据、检查公式、抽查结果，并且不把相关性写成因果。

第一次分析建议先学习 怎样检查 Excel 和数据文件。

第一步：把原始数据设为只读

目录：

analysis/
├── data/raw/
├── data/processed/
├── scripts/
├── notebooks/
├── figures/
├── reports/
└── README.md

原始文件不覆盖，处理结果写 processed/。记录来源、下载日期、许可和校验值。

第二步：先做数据剖析

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。

业务口径问题先问人，例如退款按申请日还是完成日、收入含税还是不含税。

第三步：写数据字典和分析计划

data-dictionary.csv：字段、含义、单位、来源、允许值、缺失处理。

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

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。

清洗规则不应只存在 notebook 单元格或聊天中。

第五步：做质量闸门

例如：

• 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。

质量闸门失败时停止后续分析，而不是继续画图。

第六步：探索与验证分开

探索阶段可以用 notebook、多个 worktree 或可视化插件尝试不同方向；最终结论必须落回稳定脚本和固定数据集。

可以并行：

• 一个 worktree 研究缺失值和异常；
• 一个 worktree 比较图表与分组；
• 一个 worktree 检查模型或敏感性。

主任务统一口径和最终 pipeline，避免不同分支各用一套清洗方式。

第七步：制作可解释图表

每张图必须回答一个问题，并包含：

• 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。

提示：

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。

第八步：进行反证和敏感性检查

• 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。

模型结果还要检查训练/测试划分、泄漏、基线和适用范围。

第九步：交付报告和可运行说明

README.md 写清：

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

报告区分：数据事实、统计结果、解释、建议和未确认假设。

一个完整任务提示

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

图表先于口径

先做数据字典和质量报告。

notebook 能跑，别人不能跑

提取稳定脚本、依赖和 README，从干净环境重跑。

Join 造成数据膨胀

验证主键唯一性、Join 前后行数和未匹配比例。

漂亮图表掩盖不确定性

保留样本、范围、异常和敏感性结果。

完成门槛

• [ ] 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。

事实来源

• OpenAI：Analyze datasets and ship reports
• OpenAI：Query tabular data