附录目标：

• 快速回顾全书核心知识点
• 遇到问题时快速定位解决方案
• 业务场景 → 分析方法 → 工具函数 一站式查询
• 可打印、可收藏、可贴在工位

一、核心函数卡片

1.1 数据读取与概览

函数	做什么	什么时候用	输出什么
pd.read_csv()	读取CSV文件	拿到CSV格式数据的第一件事	DataFrame
pd.read_excel()	读取Excel文件	业务报表、多Sheet数据	DataFrame
df.head()	显示前N行	刚读完数据，确认加载正确	表格
df.info()	全身体检报告	必做：了解行数、列数、类型、缺失	文本报告
df.describe()	数值列统计摘要	了解数值分布、找异常值	统计表

1.2 数据清洗

函数	做什么	什么时候用	关键参数
df.isnull().sum()	统计每列缺失数量	发现缺失值	—
df.dropna()	删除缺失值	缺失极少（❤️%）	subset, how
df.fillna()	填充缺失值	缺失较多，需要保留数据	value, method
df.duplicated()	检测重复行	怀疑有重复数据	subset, keep
df.drop_duplicates()	删除重复行	确认需要去重	subset, keep
df.astype()	转换数据类型	类型不对时	{'col': 'int'}
pd.to_datetime()	转成日期格式	日期存成了文本或数字	format

1.3 探索性分析

函数	做什么	什么时候用	输出什么
df['col'].unique()	列出所有不同取值	检查分类变量有哪些值	列表
df['col'].value_counts()	统计每个值的频次	看分布、找脏数据	频次表
df.groupby()	分组聚合	对比不同组的表现	GroupBy对象
df.pivot_table()	透视表	多维度交叉分析	透视表
df.corr()	计算相关系数	找变量之间的关系	相关系数矩阵

1.4 可视化

函数	做什么	什么时候用	适用场景
plt.plot()	折线图	看趋势、时间序列	销售额变化
plt.bar() / sns.barplot()	柱状图	对比类别大小	品牌销量对比
plt.hist() / sns.histplot()	直方图	看单变量分布	价格分布
sns.boxplot()	箱线图	对比多组分布、找异常	不同城市价格对比
sns.scatterplot()	散点图	看两个变量关系	里程vs价格
sns.heatmap()	热力图	看相关性矩阵	特征相关性
sns.pairplot()	散点图矩阵	快速扫描多变量关系	探索性分析

1.5 建模

函数/类	做什么	什么时候用	关键参数
train_test_split()	划分训练/测试集	建模前必做	test_size, random_state
LinearRegression()	线性回归	基线模型、需解释性	—
DecisionTreeRegressor()	决策树回归	可解释、非线性	max_depth
RandomForestRegressor()	随机森林回归	追求精度	n_estimators
LogisticRegression()	逻辑回归	二分类基线	class_weight
RandomForestClassifier()	随机森林分类	分类精度优先	n_estimators
KMeans()	K-Means聚类	用户分群、发现分组	n_clusters
mean_squared_error()	计算MSE	评估回归模型	—
accuracy_score()	计算准确率	评估分类模型（平衡数据）	—
classification_report()	完整分类报告	评估分类模型	输出P/R/F1

1.6 时间序列

函数/方法	做什么	什么时候用	关键参数
pd.to_datetime()	转日期格式	日期是文本/数字时	format
df.set_index('date')	设日期为索引	时间序列分析前	—
df.resample('M').mean()	重采样	改变时间粒度	频率(‘D’,‘W’,‘M’)
df.shift(1)	滞后	创建滞后特征	periods
SimpleExpSmoothing()	简单指数平滑	平稳数据预测	alpha
Holt()	Holt趋势模型	有趋势无季节	trend
ExponentialSmoothing()	Holt-Winters	有趋势有季节	seasonal

二、业务场景 → 分析方法对照表

2.1 用户增长与运营

业务问题	分析方法	核心指标	可视化	何时用
用户增长是快还是慢？	趋势分析	日活/月活增长率	折线图	定期监控
哪个渠道用户质量最好？	分组对比	各渠道留存率、LTV	柱状图	渠道评估
用户在哪一步流失最多？	漏斗分析	各环节转化率	漏斗图	优化转化路径
应该分成哪几类用户运营？	聚类（RFM）	R、F、M三个维度	散点图/雷达图	精细化运营
哪些用户快要流失了？	分类（流失预警）	召回率、精确率	混淆矩阵	提前干预

2.2 销售与商品

业务问题	分析方法	核心指标	可视化	何时用
整体销售趋势如何？	趋势分析	销售额、销量	折线图	月度/季度复盘
哪个商品卖得最好？	排序+占比	销售额Top N、集中度	条形图/饼图	商品运营
哪些因素影响价格？	相关性分析	相关系数	热力图	定价策略
商品定价合理吗？	回归（价格预测）	MAE、R²	散点图(实际vs预测)	动态定价
哪些商品常一起买？	关联规则	支持度、置信度	网络图	捆绑销售

2.3 风控与异常

业务问题	分析方法	核心指标	可视化	何时用
哪些交易可能是欺诈？	异常检测	召回率、精确率	箱线图/散点图	实时风控
用户的信用风险多高？	分类（评分卡）	AUC、KS值	ROC曲线	信贷审批
数据里有没有异常值？	描述性统计/IQR	最大值、最小值	箱线图	数据清洗
哪些订单是刷单？	聚类（异常检测）	轮廓系数	散点图	反作弊

2.4 财务与预算

业务问题	分析方法	核心指标	可视化	何时用
下个月/季度能赚多少？	时间序列预测	MAPE、RMSE	预测vs实际折线图	预算规划
成本主要花在哪里？	构成分析	各成本项占比	饼图/堆叠柱状图	成本控制
和去年同期比怎么样？	同比/环比分析	同比增长率	双柱对比图	业绩复盘

2.5 产品与体验

业务问题	分析方法	核心指标	可视化	何时用
新功能效果好吗？	A/B测试	p值、效应量	箱线图对比	功能上线后
用户最喜欢哪个功能？	频次分析	使用次数、使用时长	条形图	产品迭代
用户满意度怎么样？	描述性统计	平均分、NPS	直方图	服务质量监控

三、常见问题 → 解决方案对照表

3.1 数据清洗类

问题	现象	解决方案	对应函数/方法
中文乱码	显示ä½ å¥½	换编码	encoding='gbk' 或 'utf-8'
手机号前导0丢失	13800138000变成1.38e10	读成字符串	dtype={'phone': str}
日期格式不对	20240115 无法做日期运算	转日期格式	pd.to_datetime(format='%Y%m%d')
数字里混了逗号	"10,000" 无法转数字	先去逗号	str.replace(',', '')
数字里混了单位	"25岁" 无法转数字	提取数字	str.extract('(\d+)')
缺失值用-表示	info()显示object类型	替换为NaN	df.replace('-', np.nan)
缺失值太多	某列缺失>50%	删除该列	df.drop(columns=['col'])
存在完全重复行	多行一模一样	去重	df.drop_duplicates()
存在异常值	age列出现200	删除或用中位数替换	业务判断 + IQR/Z-score
Excel有合并单元格	读出来很多NaN	向下填充	df.fillna(method='ffill')
Excel前几行不是数据	前3行是标题/Logo	跳过行	skiprows=3

3.2 分析类

问题	现象	解决方案	注意事项
均值不能代表典型值	均值>中位数很多	用中位数	右偏分布
不知道用均值还是中位数	数据有极端值	用中位数	或两者都汇报
两组数据差异是否显著	看起来有差别	t检验/卡方检验	需要统计检验
变量之间有关系吗	想探索关系	散点图 + 相关系数	先画图再看数
多个变量相关性	想看整体关系	热力图	数值型变量
数据分布不对称	直方图一边长尾	log变换	建模前处理
不知道数据有几个峰	直方图可能有多个峰	检查是否存在子群体	分组分析
只有整体数据，没有细分的类别	想比较不同组	用业务规则构造分组	时间组/数值分箱

3.3 建模类

问题	现象	解决方案	调整方向
训练集好，测试集差	过拟合	降低模型复杂度	减小max_depth，增加正则化
训练集差，测试集也差	欠拟合	增加模型复杂度	增大max_depth，增加特征
类别不平衡	正类只占1%	过采样/欠采样	SMOTE、class_weight
不同特征量纲差异大	年龄vs收入	标准化/归一化	StandardScaler
分类变量不知道怎么处理	品牌、城市等	编码	独热编码/标签编码
特征太多	>100列	特征选择	方差阈值/特征重要性
树模型效果不好	调参没用	尝试集成/其他算法	随机森林 → XGBoost
不知道选哪个模型	多个候选	交叉验证	选验证集分数最高的
预测价格总是偏低	模型有偏	检查是否用了log变换	预测结果需要变换回来
模型不稳定	每次训练结果不同	固定随机种子	random_state=42

3.4 时间序列类

问题	现象	解决方案	说明
随机划分导致泄露	用未来预测过去	按时间顺序划分	前80%训练，后20%测试
不知道怎么选预测方法	数据无趋势无季节	移动平均/指数平滑	最简单开始
数据有趋势	整体向上或向下	Holt趋势模型	或做差分
数据有季节性	每年/每月固定周期	Holt-Winters	或SARIMA
季节性强度不确定	不知道加法还是乘法	看波动幅度	波动随趋势放大用乘法
预测结果滞后	预测总是比实际慢半拍	调整参数/换模型	增大alpha
需要预测的步数多	预测未来12个月	递归预测 vs 直接预测	多步预测误差会累积

3.5 可视化类

问题	现象	解决方案	替代方案
类别太多	>10个，柱子挤在一起	水平条形图	排序后只显示Top N
饼图扇区太多	超过5个	换成条形图	合并“其他”类别
Y轴截断	差异被夸大	Y轴从0开始	如需截断，明确标注
颜色难以区分	红绿色盲无法分辨	用蓝+橙	加形状区分
3D图表	遮挡、扭曲	用2D	绝对不用3D
双Y轴引起误解	两个量纲放在一起	分开画图	或用标准化后对比
数据点太多重叠	>10000点	随机抽样/六边形分箱	密度图

四、速查表使用指南

4.1 遇到问题时

1. 先看“常见问题 → 解决方案对照表”
2. 定位问题类型（数据清洗/分析/建模/时间序列/可视化）
3. 找到对应解决方案
4. 按方案操作或向AI描述需求

4.2 不知道用什么方法时

1. 先看“业务场景 → 分析方法对照表”
2. 找到你的业务问题（用户增长/销售/风控/财务/产品）
3. 查看推荐的分析方法、核心指标、可视化
4. 再查“核心函数卡片”了解具体工具

4.3 向AI描述需求时

你想做什么	参考这句话
数据清洗	“读取CSV时中文乱码，换GBK编码”
缺失值	“用中位数填充年龄列的缺失值”
分组对比	“按品牌分组，计算每个品牌的平均价格”
可视化	“画一个箱线图，对比不同变速箱类型的价格分布”
建模	“用随机森林训练价格预测模型，输出特征重要性”
聚类	“对用户做K-Means聚类，K=4，然后分析每组特征”
时间序列	“用Holt-Winters预测未来6个月的销售额”

五、打印版（可裁剪）

┌─────────────────────────────────────────────────────────┐
│  【数据清洗速查】                                        │
│  乱码 → 换编码(utf-8/gbk)                               │
│  丢0 → 读成字符串                                        │
│  日期不对 → to_datetime                                 │
│  缺失值 → dropna(少) / fillna(多)                      │
│  重复 → drop_duplicates                                 │
│  异常 → IQR / Z-score                                   │
└─────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────┐
│  【可视化速查】                                          │
│  趋势 → 折线图                                           │
│  对比 → 柱状图                                           │
│  占比 → 饼图(≤5类) / 条形图(>5类)                      │
│  分布 → 直方图/箱线图                                    │
│  关系 → 散点图                                           │
│  相关 → 热力图                                           │
└─────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────┐
│  【建模速查】                                            │
│  回归(预测数字) → 线性回归(基线) / 随机森林(精度)       │
│  分类(预测类别) → 逻辑回归(基线) / 随机森林(精度)       │
│  聚类(发现分组) → K-Means                               │
│  过拟合 → 降低复杂度 / 增加数据                          │
│  欠拟合 → 增加复杂度 / 增加特征                          │
└─────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────┐
│  【评估指标速查】                                        │
│  回归：MAE(平均误差) / RMSE(大误差惩罚) / R²(解释力)   │
│  分类：准确率(平衡) / 召回率(抓坏人) / 精确率(不误伤)  │
│        F1(P/R调和) / AUC(排序能力)                     │
│  时序：MAE / RMSE / MAPE(相对误差)                      │
└─────────────────────────────────────────────────────────┘

---

下一节预告：A2 如何向AI描述需求（提示词模板库）—— 学会用自然语言让AI帮你完成数据分析任务。