Claude 零基础入门数据分析全攻略
共三部，第一部分：数据描述与验证 – 用DIG方法论的前20分钟节省几小时返工时间
第一部分：核心提纲
🎯 DIG方法论：三步走框架
DIG = Description + Introspection + Goal Setting
- D = Description（数据描述） – 让你和AI都看清数据的真实面貌
- I = Introspection（数据内省） – 让AI证明它真的理解了数据结构
- G = Goal Setting（目标设定） – 在开始分析前确保方向正确
方法论的本质：
传统方法是拿到数据直接做图表，几小时后发现方向错了；DIG方法用前20分钟走完框架，在启动阶段就发现问题、确认方向，节省几小时的返工时间。这是探索性数据分析（EDA）的AI版本。
⚙️ 功能激活（2025年11月重要更新）
在开始数据分析前，需要先了解Claude的功能变化：
版本变化说明
- 旧版激活方式（已废弃）： 左下角 → Feature Preview → Analysis Tool
- 新版激活方式： 功能已整合到 Claude Code 或 Artifacts
- 如何确认已激活： 侧边栏有Claude Code或Artifacts菜单即代表已升级
Jeff Su的评论：
“以前没有这个选项” – 这是从纯文本AI到代码执行AI的质变。现在Claude可以直接运行Python代码来处理和分析数据，而不仅仅是给你建议。
📊 第一步：Description（数据描述）- 启动与验证
这一步的核心目标是在投入大量时间分析前，先用20分钟验证数据质量。许多严重问题会在这个阶段暴露，避免后期返工。
📋 步骤1：上传数据 + 初步查看
实战案例数据集介绍：
- Jeff Su的Apple TV Plus数据集 – 来源：Kaggle免费公开数据集，包含《降世神通》《教父》《神探夏洛克》等真实节目数据，维度包括片名、类型、体裁、IMDb ID、发布年份、可播放国家等
- Tina的薪资数据集 – 包含职位薪资范围、部门、支付周期、货币类型等职场数据
上传数据后，使用第一个提示词进行初步检查：
列出附件电子表格中的所有列，并展示每列的一个数据样本
Jeff案例的实际输出（以Forest Gump为样本）：
| 列名 | 样本数据 | 说明 |
|---|---|---|
| Title（片名） | Forest Gump | 电影标题 |
| Type（类型） | Movie | 电影/剧集分类 |
| Genre（体裁） | Drama, Romance | 体裁标签（逗号分隔） |
| Release Year（发布年份） | 1994 | 上线年份 |
| IMDb ID | tt0109830 | IMDb唯一标识符 |
| Available Countries（可播放国家） | [空值] | ⚠️ 第一个危险信号 |
Tina的薪资数据样本：
| 列名 | 样本数据 | 说明 |
|---|---|---|
| salary_ID（薪资ID） | 12345 | 薪资记录唯一标识 |
| job_ID（职位ID） | J-678 | 职位唯一标识 |
| max_salary（最高薪资） | nan | ⚠️ 显示缺失 |
| min_salary（最低薪资） | nan | ⚠️ 显示缺失 |
| pay_period（支付周期） | Monthly | 按月支付 |
| currency（货币类型） | USD | 美元 |
立即发现的问题：
- Jeff案例：Available Countries（可播放国家）列是空的
- Tina案例：max_salary和min_salary显示为nan（not available，数据不可用）
🔍 步骤2：多次抽样验证
为什么需要这一步？
- 单个样本可能是特例或离群值
- 需要通过多次随机抽样来确认数据模式
- Jeff原话：”Forest Gump是经典，但不代表所有数据都这样”
再随机抽取五个数据样本，以确保你理解每列的格式和信息类型
Jeff的Apple TV数据多次抽样结果：
| 样本编号 | Title（片名） | Type（类型） | Genre（体裁） | Available Countries |
|---|---|---|---|---|
| 1 | 神探夏洛克 | TV Show | Crime, Drama, Mystery | [空] |
| 2 | 教父 | Movie | Crime, Drama | [空] |
| 3 | 某美剧 | TV Show | Comedy | USA |
| 4 | 某电影 | Movie | Action | [空] |
| 5 | 某纪录片 | Movie | Documentary | [空] |
通过多次抽样识别出的模式：
- Genre（体裁）数量不固定：有的节目有3个体裁，有的只有1-2个
- Type（类型）包含Movie和TV Show两种
- Available Countries几乎都是空的 – 问题的严重性开始显现
- 只有极少数条目包含国家数据
Tina案例的发现：
- 部门名称拼写混乱：Engineering / Enginering / Eng（不一致会影响统计）
- Currency（货币类型）全是USD，但AI最初没有注意到这个模式
⚠️ 步骤3：数据质量检查（最关键的一步！）
这是整个Description阶段的核心，可以发现致命的数据问题。
对每列运行数据质量检查。具体查找： - 缺失或空值 - 意外的格式或数据类型 - 离群值或可疑值
Jeff案例：震撼发现
AI返回的数据质量分析报告：
| 列名 | 总条目数 | 缺失数量 | 缺失比例 | 问题严重性 |
|---|---|---|---|---|
| Title（片名） | 19,000 | 589 | 3.1% | ⚪ 可接受 |
| Type（类型） | 19,000 | 0 | 0% | ✅ 良好 |
| Genre（体裁） | 19,000 | 0 | 0% | ✅ 良好 |
| Release Year（发布年份） | 19,000 | 57 | 0.3% | ⚪ 可接受 |
| Available Countries（可播放国家） | 19,000 | 18,943 | 99.7% | 🚨 致命问题！ |
Jeff的震惊反应：
“等等…99.7%？这意味着我完全不能做任何地理分析！我原本计划分析’不同地区用户喜欢什么类型的内容’，现在这个方向必须全部放弃。”
立即验证：
- Jeff打开原始Excel表格进行手动确认
- 结果：确认大部分行的Available Countries确实是空的
- 结论： 任何”按地区分析内容偏好”的分析计划都必须立即调整
Tina案例：NaN的严肃警告
发现的问题：
- max_salary和min_salary列显示为 nan
- 需要确认：这是AI解析错误，还是数据本身就缺失？
Tina的严肃警告（来自Meta数据科学家的经验）：
“幻觉往往发生在缺失数据或格式错误的地方。如果你跳过这一步，错误会像病毒一样传播到整个分析链条。”
“即使我在Meta当数据科学家时，也会花大量时间做这个检查。我知道如果急着做漂亮的图表而跳过验证，犯错会很尴尬…最坏的情况是因为让公司损失很多钱而被fired。”
💡 Description阶段的关键收获
- 时间投资回报： 花20分钟做这三步检查，可以避免几小时甚至几天的无效分析
- 发现致命问题： 99.7%的缺失率意味着整个分析方向需要调整
- 验证AI理解： 通过多次抽样确保AI真正理解了数据结构
- 建立信任基础： 只有在确认数据质量后，才能信任后续的分析结果
第二部分:资源索引
📝 核心提示词模板
提示词1：初步数据查看
列出附件电子表格中的所有列，并展示每列的一个数据样本
使用时机： 上传数据后的第一步，快速了解数据结构
预期输出： 列名列表 + 每列的单个样本值
提示词2：多次抽样验证
再随机抽取五个数据样本，以确保你理解每列的格式和信息类型
使用时机： 看完第一个样本后，避免被特例误导
预期输出： 5个随机样本的完整数据行
提示词3：数据质量检查（最重要）
对每列运行数据质量检查。具体查找： - 缺失或空值 - 意外的格式或数据类型 - 离群值或可疑值
使用时机： 在开始任何分析前，强制执行
预期输出： 每列的缺失率、数据类型、异常值报告
📊 实战数据集信息
Jeff Su的Apple TV Plus数据集
- 数据来源： Kaggle免费公开数据集
- 数据规模： 约19,000条记录
- 包含内容： 影视节目信息（《降世神通》《教父》《神探夏洛克》等）
- 核心字段： Title（片名）、Type（类型）、Genre（体裁）、Release Year（发布年份）、IMDb ID、Available Countries（可播放国家）
- 已知问题： Available Countries字段99.7%缺失，不适合做地理分析
Tina的薪资数据集
- 数据类型： 职场薪资信息
- 核心字段： salary_ID、job_ID、max_salary、min_salary、pay_period、currency、部门信息
- 已知问题：
- max_salary和min_salary显示为nan（需验证是否真的缺失）
- 部门名称拼写不一致（Engineering / Enginering / Eng）
- 货币类型单一（全部为USD）
⚙️ 技术配置要点
Claude功能激活检查清单
- ✅ 确认侧边栏有 Claude Code 或 Artifacts 菜单
- ✅ 上传CSV或Excel文件后，Claude会自动识别为数据分析任务
- ✅ 可以看到代码执行结果（不仅是文字建议）
- ❌ 如果没有这些功能，需要联系管理员或升级账户
🚨 常见陷阱与规避方法
| 常见陷阱 | 后果 | 规避方法 |
|---|---|---|
| 只看一个样本就下结论 | 被特例或离群值误导 | 始终进行多次随机抽样（至少5次） |
| 跳过数据质量检查 | 在错误数据上浪费几小时分析 | 将质量检查作为强制第一步，不可跳过 |
| 相信AI的第一次输出 | AI可能在缺失数据处产生幻觉 | 手动打开原始文件验证关键发现 |
| 忽略高缺失率字段 | 基于不完整数据得出错误结论 | 如果字段缺失率>30%，考虑放弃相关分析 |
| 急于做可视化 | 漂亮但无意义的图表 | 完成DIG三步后再开始制图 |
第三部分：总结与行动
💡 关键要点总结（TL;DR）
- DIG方法论是EDA的AI版本 – 用结构化框架替代传统的”做了再说”模式
- 前20分钟的验证能节省几小时返工 – Description阶段可以发现99.7%这样的致命问题
- 多次抽样是必须的 – 单个样本可能是特例，至少要看5个随机样本
- 数据质量检查不可跳过 – 缺失率、格式错误、离群值都要在开始前识别
- 手动验证关键发现 – AI可能在数据缺失处产生幻觉，打开原始文件确认
来自Meta数据科学家Tina的金句：
“即使在大科技公司，数据科学家也会花30-50%的时间在数据清理和验证上。不是因为我们不够聪明，而是因为我们知道：在糟糕的数据上建立的任何模型都是危险的。”
—— Tina Huang, 前Meta数据科学家