AI Prompting for Everyone 课程笔记 - P19 数据分析 Data Analysis

文章目录

一、课程核心思想
二、重点知识点
- [2.1 什么是 Data Analysis with AI？](#2.1 什么是 Data Analysis with AI？)
- [2.2 Code Execution（代码执行）](#2.2 Code Execution（代码执行）)
- [2.3 Understanding the Dataset（理解数据集）](#2.3 Understanding the Dataset（理解数据集）)
- [2.4 Data Visualization（数据可视化）](#2.4 Data Visualization（数据可视化）)
三、老师的实际案例
- [3.1 案例一：Running Tracker Data（跑步记录数据）](#3.1 案例一：Running Tracker Data（跑步记录数据）)
- [3.2 案例二：奶茶店销售数据分析](#3.2 案例二：奶茶店销售数据分析)
- [3.3 案例三：Year in Review（年度回顾报告）](#3.3 案例三：Year in Review（年度回顾报告）)
[四、如何写出更好的 Data Analysis Prompt？](#四、如何写出更好的 Data Analysis Prompt？)
- [4.1 普通 Prompt](#4.1 普通 Prompt)
- [4.2 改进后的 Prompt](#4.2 改进后的 Prompt)
- [4.3 为什么第二个 Prompt 更好？](#4.3 为什么第二个 Prompt 更好？)
[五、什么时候 AI 应该使用代码？](#五、什么时候 AI 应该使用代码？)
[六、AI Data Analysis 的局限性](#六、AI Data Analysis 的局限性)
- [6.1 Data Quality（数据质量）](#6.1 Data Quality（数据质量）)
- [6.2 Calculation Errors（计算错误）](#6.2 Calculation Errors（计算错误）)
- [6.3 Correlation vs. Causation](#6.3 Correlation vs. Causation)
- [6.4 Complex Analysis（复杂分析）](#6.4 Complex Analysis（复杂分析）)
七、重要英文术语
八、实践练习
九、复习问题
[十、一页速记版（Quick Review）](#十、一页速记版（Quick Review）)
参考资源
[课程 Slides](#课程 Slides)

一、课程核心思想

上一节 P18 介绍了 Building Apps（构建应用程序）。

我们已经知道，即使没有丰富的编程经验，用户也可以通过自然语言描述 Goal、Input 和 Output，让 AI 协助创建简单的交互式应用。但 AI 编写代码的能力并不只适用于创建网站和游戏。它还可以用于 Data Analysis（数据分析）。

例如：

分析 Excel 或 CSV 数据。
计算平均值、总和和增长率。
识别数据中的趋势。
比较不同群体。
创建统计图表。
检查异常数据。
生成分析报告。

传统的数据分析可能需要用户掌握 Python、SQL、Excel 公式或其他分析工具。而现代 AI 可以根据自然语言要求，辅助生成并执行分析代码。

例如：

复制代码

Analyze the uploaded sales dataset.

Calculate monthly revenue,
identify trends, and create
a visualization of the results.

AI 可以尝试读取数据、进行计算，并生成图表。

核心结论：Data Analysis with AI 的重要价值，不只是让 AI 描述数据，而是让 AI 利用代码和计算工具对真实数据进行分析。用户即使不熟悉编程，也可以通过明确的自然语言要求完成许多基础分析任务。

二、重点知识点

2.1 什么是 Data Analysis with AI？

Data Analysis with AI（使用 AI 进行数据分析）是指利用 AI 协助完成数据读取、清洗、计算、可视化和解释的过程。

一个常见的工作流程是：

复制代码

Provide Dataset
（提供数据集）
        ↓
Understand the Data
（理解数据结构）
        ↓
Clean the Data
（清洗数据）
        ↓
Perform Calculations
（执行计算）
        ↓
Create Visualizations
（生成图表）
        ↓
Interpret Results
（解释结果）
        ↓
Generate Report
（生成分析报告）

这是我补充的通用分析流程，并不代表所有 AI 数据分析工具都严格按照这一顺序运行。

Traditional Data Analysis vs. AI-assisted Data Analysis

对比维度	Traditional Data Analysis	AI-assisted Data Analysis
中文	传统数据分析	AI 辅助数据分析
主要交互	编写公式或代码	自然语言描述任务
数据读取	用户编写操作	AI 可以辅助读取
统计计算	手动编写公式或代码	AI 可以生成并执行代码
图表制作	使用专业工具	AI 可以辅助生成
结果解释	分析人员完成	AI 可以提供初步解释
结果验证	必须进行	同样必须进行

知识点：AI 可以降低数据分析的技术门槛，但不能代替对数据含义、计算方法和结果可靠性的判断。

2.2 Code Execution（代码执行）

这是 AI 数据分析中非常重要的概念。Code Execution（代码执行）指 AI 不只是生成程序代码，还能够通过相应工具运行代码，获得真实的计算结果。

方式一：只通过语言模型回答

例如：用户提供一组数据：10, 20, 30, 40, 50。然后提问：

复制代码

Calculate the average.

AI 可能根据已有的数学能力生成答案。但对于大量数据或复杂计算，直接依靠语言生成可能出现错误。

方式二：通过代码执行计算

AI 可以使用 Python：

复制代码

numbers = [10, 20, 30, 40, 50]
average = sum(numbers) / len(numbers)
print(average)

计算结果：

复制代码

30.0

两种方式的区别

对比维度	Language-only Answer	Code Execution
中文	仅语言生成回答	代码执行
计算方式	模型生成结果	实际运行程序
适合任务	简单解释与推理	大规模、重复性计算
可重复性	不一定	在相同环境下通常更容易复现
主要风险	数值生成错误	代码逻辑或数据处理错误

核心知识点：对于需要精确计算的数据分析任务，让 AI 使用代码执行工具，通常比单纯依赖语言模型生成数值更加可靠。但代码执行并不自动保证正确。错误的公式或错误的数据处理方式，同样可能产生错误结果。

2.3 Understanding the Dataset（理解数据集）

在正式分析之前，首先需要理解数据。

例如：假设有一份销售数据：

Month	Product	Units Sold	Revenue
January	A	120	2400
January	B	80	2000
February	A	150	3000
February	B	90	2250
March	A	180	3600
March	B	110	2750

这些数据包含四个字段：

Month：月份。
Product：产品。
Units Sold：销售数量。
Revenue：销售收入。

为什么需要先理解数据？因为不同字段具有不同含义。

例如：

Revenue 是收入，不是利润。
Units Sold 是销售数量，不是订单数量。
Month 是时间分类。
Product 是产品类别。

如果 AI 错误理解字段含义，就可能得出错误结论。

示例 Prompt

复制代码

Inspect the uploaded dataset.

Before performing analysis:

1. List all columns.
2. Explain the likely meaning
   of each column.
3. Identify data types.
4. Check for missing values.
5. Identify possible data quality issues.

Do not make assumptions about
ambiguous columns without
clearly stating them.

学习启示：数据分析的第一步不是立即生成图表，而是确认数据结构、字段含义和数据质量。

2.4 Data Visualization（数据可视化）

Data Visualization（数据可视化）是指通过图表展示数据中的规律和关系。

常见图表包括：

Line Chart（折线图）：观察随时间变化的趋势。
Bar Chart（柱状图）：比较不同类别的数值。
Scatter Plot（散点图）：观察两个变量之间的关系。
Histogram（直方图）：分析数值分布。

如何选择合适的图表？

分析目标	推荐图表	示例
观察时间趋势	Line Chart	每月销售收入
比较不同类别	Bar Chart	不同产品的销量
分析数值分布	Histogram	用户年龄分布
观察变量关系	Scatter Plot	广告投入与销售额
比较组成比例	Bar Chart / Pie Chart	不同产品的收入占比

示例 Prompt

复制代码

Analyze the uploaded sales dataset.

Create a line chart showing
monthly revenue trends.

Requirements:
1. Use months on the horizontal axis.
2. Use revenue on the vertical axis.
3. Include clear axis labels.
4. Highlight significant changes.
5. Explain the main observations.

Do not infer causes without evidence.

知识点：图表可以帮助发现规律，但图表中的变化不一定能够直接说明变化的原因。

三、老师的实际案例

这次进一步核对了公开英文转写稿，找到了 P19 中两个主要的数据分析案例：个人跑步数据与奶茶店销售数据。以下案例有公开转写内容支持，但具体 Prompt 经过整理，不是逐字引用。

3.1 案例一：Running Tracker Data（跑步记录数据）

老师首先介绍了一个个人数据分析场景。

假设你使用跑步记录应用，长期记录：

跑步距离。
跑步配速。
跑步时间。
每次跑步的日期。

你可以将数据导出为电子表格，再上传给 AI。

老师希望解决的问题

复制代码

How are my pace and distance progressing?

AI 可以完成什么？AI 可以尝试：

读取跑步记录。
按日期整理数据。
分析跑步距离的变化。
分析配速的变化。
绘制趋势图。
总结训练表现。

示例 Prompt

复制代码

Analyze my uploaded running tracker data.

I want to understand how my running
performance has changed over time.

Please:
1. Analyze my running distance.
2. Analyze my running pace.
3. Create charts showing both trends.
4. Identify significant changes.
5. Explain any limitations in the data.

Use code for calculations and plotting.

为什么这个案例重要？因为用户不需要亲自编写 Python 代码。只需要提供数据并说明分析目标，AI 就可以尝试生成并运行分析程序。

但需要注意：配速和距离的变化并不一定能单独证明身体能力提高或下降。例如，跑步路线、天气和训练类型也可能影响结果。

知识点：AI 可以帮助分析个人长期积累的数据，但对趋势原因的解释需要谨慎。

3.2 案例二：奶茶店销售数据分析

这是 P19 最有代表性的案例之一。

老师展示了一个饮品店的销售数据分析场景。

假设店铺销售多种饮品，例如：

Strawberry Matcha（草莓抹茶）
Mango Green Tea（芒果绿茶）
Strawberry Lemonade（草莓柠檬水）
Coconut Milk Tea（椰子奶茶）

用户希望了解不同饮品在一年中的销售表现。

Step 1：上传销售数据

数据可能包含：

日期。
饮品名称。
销售数量。
销售金额。

Step 2：让 AI 识别有趣的规律

老师没有要求简单绘制所有饮品的数据。而是让 AI 先分析数据，寻找值得关注的变化。

公开转写稿中，AI 发现：大多数饮品的销量相对平稳，但有四种饮品的变化比较突出。

Step 3：绘制重点饮品的趋势图

用户可以进一步要求：

复制代码

Analyze the beverage sales data.

Identify the drinks with
the most interesting sales trends.

Create a line chart showing
their sales over time.

Explain why these drinks
were selected for visualization.

Step 4：解释图表

老师展示的分析包括：

Strawberry Matcha：春季销量明显上升。
Mango Green Tea：夏季表现突出。
Strawberry Lemonade：夏季销量增长。
Coconut Milk Tea：秋季表现较好。

图表应该如何呈现？

复制代码

Sales Volume
（销售数量）
      ↑
      │   不同饮品使用不同颜色的曲线
      │
      │   观察各饮品在不同月份的变化
      │
      └────────────────────────→
                 Time
                （时间）

实际图表应根据上传数据绘制，不能凭空生成销售数值。

Step 5：从数据中提出业务问题

例如：草莓抹茶在春季销量较高。用户可以进一步思考：

是否与春季促销有关？
是否存在季节性需求？
是否值得明年继续推广？
其他饮品是否存在类似规律？

但必须注意：Correlation ≠ Causation

即：相关性不等于因果关系。

销量增长可能与促销有关，也可能受到天气、节假日、产品上新或其他因素影响。

核心知识点：AI 数据分析的价值，不只是把所有数据绘制成图表，而是帮助用户识别值得关注的规律，并围绕这些规律提出进一步的问题。

3.3 案例三：Year in Review（年度回顾报告）

老师还展示了如何将销售数据分析进一步扩展为年度回顾。

例如：一家饮品店希望在年末向团队展示全年经营表现。用户可以要求 AI：

复制代码

Create a year-in-review report
based on the uploaded sales data.

Analyze the data from multiple angles.

Identify:
1. Major sales trends
2. Best-performing products
3. Seasonal patterns
4. Significant changes
5. Interesting business insights

Create a clear and engaging
visual summary for the team.

Use actual data for all calculations.

为什么需要多角度分析？

因为单一图表可能只能回答一个问题。

例如：

总收入趋势说明整体销售变化。
产品销量图说明不同产品的表现。
月度对比图说明季节性变化。
增长率图说明不同阶段的变化速度。

将这些分析结合起来，才能形成更加完整的年度回顾。

知识点：AI 可以将数据分析与可视化结合，帮助用户把原始数据转化为适合交流和展示的研究成果。

四、如何写出更好的 Data Analysis Prompt？

4.1 普通 Prompt

复制代码

Analyze this data.

这个 Prompt 没有说明：

希望分析什么问题。
需要关注哪些指标。
是否需要图表。
如何处理异常数据。
最终输出什么。

4.2 改进后的 Prompt

复制代码

Analyze the uploaded sales dataset.

Research Goal:
Understand sales performance
and identify meaningful trends.

Step 1:
Inspect the dataset.

Check:
- Column names
- Data types
- Missing values
- Duplicate records
- Potential data quality issues

Step 2:
Calculate:
1. Total revenue
2. Monthly revenue
3. Sales by product
4. Month-over-month growth

Step 3:
Identify:
1. Major trends
2. Unusual changes
3. Seasonal patterns
4. Products worth further investigation

Step 4:
Create appropriate charts.

Step 5:
Summarize the findings.

Requirements:
- Use code for calculations.
- Explain important assumptions.
- Do not invent missing data.
- Distinguish observations from hypotheses.
- Show supporting calculations when useful.

Output:
1. Dataset Overview
2. Key Metrics
3. Visualizations
4. Main Findings
5. Limitations
6. Recommended Follow-up Questions

4.3 为什么第二个 Prompt 更好？

Prompt 要素	具体内容
Research Goal	明确分析目标
Data Inspection	检查数据结构
Data Quality	识别缺失值和异常
Calculations	指定统计指标
Visualization	生成合适的图表
Interpretation	解释主要规律
Limitations	说明数据局限
Output Format	结构化分析报告

学习启示：一个好的数据分析 Prompt 不一定需要指定具体 Python 代码，但应该明确希望回答哪些问题，以及如何检查分析结果。

五、什么时候 AI 应该使用代码？

这是老师在 P19 结尾特别强调的内容。

前面课程已经介绍了多种 AI 工作方式：

Pretrained Knowledge：回答已有知识能够解决的问题。
Web Search：获取较新的外部信息。
Deep Research：研究复杂、需要多轮检索的问题。
Code Execution：执行计算、数据分析和绘图等任务。

四种方式的比较

任务类型	推荐能力	示例
基础知识	Pretrained Knowledge	什么是机器学习？
最新信息	Web Search	本周发布了哪些 AI 模型？
复杂研究	Deep Research	AI 如何影响大学教育？
数据计算与绘图	Code Execution	分析一年销售数据

为什么 Code Execution 很重要？因为 AI 可以通过代码执行重复性计算。

例如：

复制代码

sales = [120, 150, 180, 210]
total = sum(sales)
average = total / len(sales)

print(total)
print(average)

结果：

复制代码

660
165.0

对于更大的数据集，AI 还可以使用适当的数据分析工具执行分组、汇总和绘图。

核心知识点：当任务需要精确计算、处理大量结构化数据或生成图表时，代码执行通常是非常有价值的工具。

六、AI Data Analysis 的局限性

6.1 Data Quality（数据质量）

如果原始数据存在问题，AI 可能得出错误结论。

例如：

缺失值。
重复记录。
错误日期。
不一致的单位。
错误的数据类型。

因此：Garbage In, Garbage Out

即：输入数据质量差，输出结果也可能不可靠。

6.2 Calculation Errors（计算错误）

即使 AI 能够运行代码，也可能使用错误的计算方法。

例如：

使用错误的分母。
混淆平均值与中位数。
错误计算增长率。
重复汇总数据。
将不同单位的数据直接比较。

因此，重要结果应该检查公式和计算过程。

6.3 Correlation vs. Causation

例如：某款饮品在夏季销量上升。这不一定说明夏季天气直接导致销量上升。还可能存在：

促销活动。
产品上新。
节假日。
客流变化。
价格调整。

因此，AI 应区分：

Observation（观察）
Hypothesis（假设）
Causal Conclusion（因果结论）

6.4 Complex Analysis（复杂分析）

老师提醒，AI 对简单数据分析通常更加可靠，但在复杂分析中仍可能出错。

因此，对于重要的统计结论，应考虑：

检查原始数据。
核实关键计算。
检查代码逻辑。
明确分析假设。
必要时请专业人员复核。

学习启示：AI 能够提高数据分析效率，但用户仍然需要判断分析方法是否合理。

七、重要英文术语

English	中文	解释
Data Analysis	数据分析	从数据中提取有价值的信息
Code Execution	代码执行	运行程序完成计算
Dataset	数据集	用于分析的数据集合
Spreadsheet	电子表格	以行列形式组织数据
CSV	逗号分隔值文件	常见的结构化数据格式
Data Cleaning	数据清洗	处理缺失、重复或错误数据
Data Visualization	数据可视化	使用图表呈现数据
Line Chart	折线图	展示时间变化趋势
Bar Chart	柱状图	比较不同类别
Scatter Plot	散点图	观察变量之间的关系
Trend	趋势	数据随时间变化的方向
Seasonal Pattern	季节性规律	数据随季节出现的变化
Outlier	异常值	明显偏离其他数据的数值
Average	平均值	数据的算术平均
Median	中位数	排序后位于中间的数值
Growth Rate	增长率	指标的相对变化程度
Correlation	相关性	变量之间的统计关联
Causation	因果关系	一个因素导致另一个因素变化
Insight	洞察	从分析中发现的有价值信息
Running Pace	跑步配速	跑步完成单位距离所需时间
Year in Review	年度回顾	对全年表现的综合总结

八、实践练习

Exercise 1：分析个人数据

选择一份包含时间序列的数据，例如：

跑步记录。
学习时间记录。
每日步数。
个人支出。
阅读记录。

使用以下 Prompt：

复制代码

Analyze the uploaded dataset.

I want to understand
how my performance has changed over time.

Please:
1. Inspect the dataset.
2. Identify important metrics.
3. Calculate trends.
4. Create appropriate charts.
5. Highlight unusual changes.
6. Explain possible limitations.

Use code for calculations.

Do not assume correlation
implies causation.

练习目标：学习通过 AI 分析个人长期记录的数据。

Exercise 2：分析销售数据

准备一份包含日期、产品名称、销售数量和收入的 CSV 文件。

使用：

复制代码

Analyze the uploaded sales data.

Identify:
1. Best-selling products
2. Monthly revenue trends
3. Seasonal patterns
4. Unusual changes
5. Products worth further investigation

Create charts for the
most interesting findings.

Explain why you selected
those findings.

练习目标：学习让 AI 主动识别值得关注的数据规律，而不只是绘制所有数据。

Exercise 3：生成 Year in Review

在完成销售分析后，继续要求：

复制代码

Create a year-in-review report
based on the previous analysis.

Include:
1. Executive Summary
2. Key Performance Indicators
3. Monthly Trends
4. Product Performance
5. Interesting Insights
6. Limitations
7. Recommendations

Use clear visualizations.

Ensure all numerical claims
are supported by the dataset.

练习目标：将数据计算、可视化和报告生成结合起来。

以上练习根据课程案例设计，Prompt 为我的教学改写，并非老师原始逐字指令。

九、复习问题

Q1：AI 如何帮助没有编程经验的用户分析数据？

答：用户可以通过自然语言描述分析目标，让具备代码执行能力的 AI 生成并运行分析代码，完成计算、绘图和总结。

Q2：为什么 Code Execution 对数据分析很重要？

答：因为它能够通过实际程序执行计算，减少单纯依靠语言生成数值时可能出现的错误。

Q3：老师的跑步数据案例说明了什么？

答：AI 可以分析个人长期积累的数据，帮助用户了解配速和距离等指标随时间的变化。

Q4：奶茶店案例中，为什么不直接绘制所有饮品？

答：因为老师希望 AI 先寻找值得关注的变化，再重点展示最有分析价值的饮品。

Q5：什么是 Correlation ≠ Causation？

答：两个变量存在相关关系，并不意味着其中一个必然导致另一个发生变化。

Q6：为什么 AI 数据分析仍然需要人工核实？

答：因为原始数据可能存在问题，AI 也可能使用错误的计算方法或过度解释分析结果。

十、一页速记版（Quick Review）

核心思想：AI 可以通过编写和执行代码，帮助用户分析真实数据、生成图表并发现有价值的规律。即使没有编程经验，用户也可以通过自然语言完成许多基础数据分析任务。

三个重要能力：

Code Execution：通过实际运行代码完成计算。
Data Visualization：将数据转化为容易理解的图表。
Insight Discovery：识别值得关注的数据趋势和变化。

三个核心原则：

Let AI write and run code for data analysis.
让 AI 通过编写和运行代码辅助数据分析。
Ask AI to find interesting patterns, not just plot everything.
让 AI 寻找有价值的规律，而不只是绘制所有数据。
Double-check important calculations and conclusions.
对重要计算结果和分析结论进行核实。

P17 → P20 的知识逻辑

复制代码

P17 --- Image Generation
          ↓
如何利用 AI 生成和修改图片？
          ↓
P18 --- Building Apps
          ↓
如何通过自然语言创建应用？
          ↓
P19 --- Data Analysis
          ↓
如何让 AI 编写并执行代码，
分析数据、生成图表和发现规律？
          ↓
P20 --- Lab Overview:
Building with AI and Final Project
          ↓
如何通过综合实验运用
本模块学到的能力？

最终总结：P19 的重点不是要求用户学习复杂的数据分析代码，而是学会利用 AI 的代码执行能力处理真实数据。老师通过跑步记录和奶茶店销售数据说明，AI 不仅能够生成图表，还能帮助用户发现值得进一步研究的规律。高阶用户需要学会提出明确的分析目标，同时检查数据质量、计算结果和结论的可靠性。