第 08 周 · WEEK 08

本周导览：三节课，一条工作底稿主线

先读懂字段，再提出问题，最后让 AI 协作——每一步都留下可解释的记录

1

读字段

打开 07-attendance.csv，第一步不是求平均值，而是建立数据字典：每个字段回答六问——含义、类型、单位、空白、一行代表什么、有无身份键。

2

提问题

“看看数据有什么发现”没有明确终点。可分析的问题要写清对象、指标、比较维度和用途；签到率这类指标的分子分母，都要能落到筛选规则。

3

AI 协作分析

AI 能识别异常、生成清理建议、编写公式，但它给出的数字必须能在原表和操作记录中重现。七项分析记录，一项都不能少。

本节产出：一份 8 字段的数据字典初稿

导入情境：24 行 = 24 人吗？

第 1 节课的悬念先埋在这里，35 分钟后各组用数据字典来揭晓

24

07-attendance.csv 的记录行数

?

现实中到底有多少名参与者？

直接说“有 24 名参与者”之前，先想想一张表里的行是怎样形成的。下面三条线索都藏在表里，本节课我们不急着给答案，先学会提出正确的问题。

记住这句话：行数只是表的物理结构，不自动等于现实中的人数。

核心概念：数据字典六问

打开表格后，第一步不是求平均值，而是让每个字段都能自圆其说

问一

名称与含义

字段名称和业务含义是什么？“渠道”两个字本身不会告诉你它记录的是报名途径还是宣传来源。

问二

类型

它是文本、日期、类别还是数值？类型决定你能做什么计算——文本不能求和，类别不能求平均。

问三

单位与取值

单位是什么，允许哪些取值？时间有没有超出 24 小时的值？人数有没有负数？超出取值范围就是异常信号。

问四

空白的含义

空白表示没有、未知、未填还是不适用？四种含义混在一起，会直接污染后续统计。

问五

一行的意义

一行代表一次记录、一个人还是一个事件？一行意义不清，所有“人数”“次数”都会失真。

问六

身份键

是否存在稳定身份键（如学号），可以判断重复？没有身份键，重复只能标为“疑似”。

方法拆解：先辨类型，再定单位

字段类型决定你能做的计算；单位与取值范围决定异常怎么判

方法深化：空白的四种含义与身份键

同一格空白，可能是四件完全不同的事；同一行重复，可能是两个人也可能是一个人

空白的四种含义

案例分析：六类质量问题，先记录再动手

每发现一处，先记录进质量问题清单，不要立即删除——答案在课堂上揭晓

课堂揭晓 · 35 分钟后

建完字典后，各组回报：你们在表里各找到了几处问题？属于哪一类？

老师会带大家核对三类典型线索——重复出现的姓名、不可能成立的时间、与统一平台口径不一致的渠道——并追问：你把谁算进了分母？换了处理规则，结论会不会变？

动手任务：为 CSV 建立数据字典（15 分钟）

对照工作册模板 17，逐字段填写，保留原表，一切处理都先记录

任务要求

打开 07-attendance.csv，为全部 8 个字段逐一填写数据字典：字段名、业务含义、类型/单位、允许值、缺失情况、异常或疑问、处理决定（保留 / 修正 / 排除 / 待确认）。遇到说不清含义的字段，不要猜——写“待确认”并注明卡在哪里。

两条铁律

① 原表只读，不删不改；
② 没有稳定身份键时，重复一律标“疑似”，并写明不同处理规则会怎样影响结果。

基础轨

只填“字段名 / 含义 / 类型”三列，保证 8 个字段全覆盖；空白列统一先写“待确认”。

标准轨

按模板 17 七列全部填写，并至少标出两类质量问题（缺失 / 无效值 / 口径混合等），写明所在行。

挑战轨

完成后额外回答：若把“疑似重复”按不同规则处理（保留 / 合并 / 删除），表中“人数”会怎样变化？用一句话说明。

常见错误：这些坑，每年都有人踩

建字典阶段最容易犯的四类错误——对照自查，错了就改记录，不改原表

第一节检查表：交之前逐项打勾

6 条全过，数据字典才算初稿完成

合格字典的样子

每一行都能回答“这是什么、为什么这样处理”；带标记的行对应质量清单里的条目，可回查、可复算。

01 · 字典先行

打开表先建数据字典，六问答完再谈任何统计——字段名不自动说明业务含义。

02 · 记录优先

六类质量问题先记录再处理；没有身份键，重复只能标“疑似”并说明规则影响。

03 · 原表神圣

原表只读，处理在副本，每一步都写明理由——这是后面两节课的共同底座。

第二节 · 45 分钟

提出数据问题：
图表要回答什么

本节产出：一个可分析的问题 + 一条写清分母的指标公式

导入：“看看数据有什么发现”，卡在哪？

快问快答 5 分钟：把你的“卡点”写在工作册页边

“

看看这份数据，
有什么发现吗？

这是数据分析里最常见的开场白，也是最没法定义“做完”的一句话。它听起来开放，实际上把所有决定都甩给了你——而你没有判断依据。

四个卡点

核心概念：可分析问题的四要素

对象、指标、比较维度、用途——四项写清，问题才算立起来

示例：一个合格的问题长这样

“在排除工作人员并保留疑似重复记录的口径下，不同报名渠道的新生签到率有何差异？这个差异是否值得筹备组调整提醒方式？”

对象＝新生；指标＝签到率；比较维度＝报名渠道；用途＝决定是否调整提醒方式。四要素齐了，动手的人才知道“做完”长什么样。

方法拆解：签到率公式——分母是灵魂

分子和分母都要能落到筛选规则；写不清分母的百分比不要相信

符合口径且完成签到的人数

符合口径的报名人数

分子怎么落到规则

“完成签到”要能从签到时间列判断：哪些行算签到、哪些行算缺席，必须先在字典里定义。“符合口径”指已经排除了不该进来的人——口径声明写进了问题，就要同样写进筛选条件。

分母最容易出错

分母错了，分子再准也没用。志愿者和工作人员算不算报名人数？疑似重复的行算一行还是两行？“无报名却出现在表里”的记录进不进分母？每一个决定都必须写进指标定义，而不是算完再解释。

自查一句话

把公式给一位没看过数据你的同学：他能不能只凭你的文字定义，从原表独立算出同一个数字？能，才算“落到筛选规则”；不能，说明定义里还有模糊地带。

方法深化：五类问题，对应五种图

先确定问题类型，再决定需要什么计算和图表——不要反过来

案例分析：口径冲突时，宁可不给精确数字

“学院群接龙”没有完整报名记录，怎么办？

选项 A

改问题

把问题收窄为“统一平台各渠道之间的签到率比较”，接龙渠道另作定性说明。问题诚实了，结论才站得住。

选项 B

补数据

回找接龙群的完整记录，把缺的报名人数补上；补不到就在质量清单里记为“无法补齐”，不要假装它存在。

选项 C

并列口径

两种口径各算各的、并列展示，明确标注各自分母——宁可两个不完全的数字，不要一个看似精确的假数字。

动手任务：写问题 · 定指标 · 查分母（20 分钟）

三步一次完成，写在工作册“分析问题”栏，供第三节 AI 分析直接使用

STEP 1
写出你的分析问题

把“看看有什么发现”改写成含四要素的一句话：对象（谁）、指标（什么）、比较维度（和谁比）、用途（给谁用、做什么决定）。写完互相念给同伴听，让对方说出你打算比较什么——说不出来就重写。

STEP 2
定义指标公式

像签到率那样，把指标写成“分子 ÷ 分母”，每一项都能落到筛选规则：哪些行算进来、哪些被排除、疑似重复怎么处理。把公式原样写进记录，不要只写“我算了签到率”。

STEP 3
做一次分母检查

对着 07-attendance.csv 逐条自问：分母里的每个人都真的有报名记录吗？接龙渠道的行能进同一个分母吗？有任何一条答不上来，就回到第 18 页的三个选项——改问题、补数据或并列口径。

常见错误：提问题阶段的四个陷阱

问题阶段的一个含糊，到图表阶段会放大成一场误读

✗ 先选图，再倒推问题

看到别人用饼图很漂亮，就先决定画饼图，再凑一个“构成”问题。方向反了：图是答案的形状，先有问题，才知道答案该长什么样。

✗ 分母悄悄换人

分子算的是新生，分母却把志愿者和工作人员都算进去。签到率瞬间被稀释，而且没人发现——因为公式里根本没写口径。

✗ 问题大到无法回答

“新生喜欢什么样的活动？”——没有时间范围、没有可观察指标、数据也不支持。要学会收窄：两周内、现有数据能回答的问题。

✗ 把相关当因果

“报名早的人签到率高，所以早报名导致准时到场”——可能只是组织方式不同。关系类问题只说明关联，下因果结论需要更强的证据。

第二节检查表：问题立住了吗？

7 条全过，你的问题才有资格进入下一节的 AI 分析

01

问题包含全部四要素：对象、指标、比较维度、用途，缺一项就补写。

02

指标已写成“分子 ÷ 分母”公式，每一项都能落到具体筛选规则。

03

分母经过了逐行检查：志愿者与工作人员的去留、疑似重复的处理都已声明。

04

渠道口径冲突已处理：改问题、补数据或并列口径，没有强行生成精确数字。

05

问题类型明确（比较 / 趋势 / 构成 / 分布 / 关系），且先有问题后想图。

06

问题能在现有数据范围内回答，没有引用不存在的数据。

07

问题原样写进了工作册，第三节 AI 分析将回到这句话逐字核对。

第二节小结：先定问题，再选图

图表只是最后一环；发现口径或误读问题时，必须返回前一环修正

“看看有什么发现”
是给心安的，
写清四要素才是给
答案铺路的。

本节产出：一份填完的 AI 分析操作记录（工作册模板 18）

开场演示：AI 给了个漂亮结论，全班找茬

5 分钟：这段回答哪里站不住？每人至少提一个问

看起来专业、完整、还有行动建议——问题在哪？

全班找茬（课堂口头发言，不给标准答案）

核心概念：AI 分析操作记录的七项

一份合格的 AI 分析记录至少包含七项——对应工作册模板 18

方法拆解：原表只读，副本作业

最稳妥的操作：既能形成当前分析口径，也能让别人看到原始状态和每一步判断

“质量标记”列写什么

该行发现了什么：疑似重复、无效时间、口径混合、无报名进入……只描述事实，先不决定去留——标记是记录，不是判决。

“处理决定”列写什么

保留 / 修正 / 排除 / 待确认，加上一句理由。换一种处理规则结果会不会变？会变就要写出来——这正是下一环节追问的入口。

方法深化：追问的固定姿势

课中追问口诀：先问依据在哪，再给提示——对 AI 和对同学都一样

案例分析：AI 建议“按姓名去重”，然后呢？

看似顺手的专业建议，往往是误删真实记录的开始

AI：检测到姓名重复的记录，建议按姓名去重后重新计算，结果更干净。

我的追问 1：同名是否一定同一人？

班里两个同名同学很正常。姓名不是稳定身份键——没有学号，就不能把“同名”等同于“同人”。

我的追问 2：不同签到时间是否可能代表多次活动？

同一人出现多行，也许是参加了多场活动、多次登记。直接去重，可能把真实记录误删掉。

我的追问 3：自动去重会不会误删真实记录？

让它先说清判定规则和影响范围：会删掉哪些行、不同规则下指标怎么变——再决定采用、修改还是拒绝。

动手任务：与 AI 完成一轮可复现的分析（23 分钟）

用第二节写好的问题驱动 AI，同步填写工作册模板 18 操作记录

操作流程

① 给 AI 下任务：贴入你的分析问题与口径，声明允许范围（只用哪些列、不许修改文件）。

② 让 AI 执行：识别异常、生成清理建议、给出计算步骤——每一步都要求指回行号与字段。

③ 你来记录：按模板 18 逐列填写输入范围、动作、AI 返回、发现的问题、是否采用。

④ 你来复算：挑一个关键数字（如某渠道的签到率），按它给的步骤人工再算一遍。

⑤ 你来收尾：把仍未解决的问题如实写进记录第 07 项，不装干净。

常见错误：AI 协作中的四个想当然

AI 分析最大的风险不是算错，而是你没法知道它算没算对

第三节检查表：这轮 AI 分析能交吗？

7 条对应七项记录——交之前逐项自查，缺哪条补哪条

第三节小结：每一步都可解释

AI 协作的目标不是更快出数，而是让每个数字都经得起追问

数字能重现，
结论才算数。

本周三节课其实是一条链：数据字典让字段可解释，分析问题让计算有终点，操作记录让 AI 可回查。任何一环断了，后面的图表再漂亮也要推倒重来——这正是讲义中“验证闭环”的含义。

课堂节奏：三节课 × 45 分钟

每节课都是“导入 → 讲授 → 动手 → 对抗/揭晓 → 收束”五段

中国语境：数据素养是公共能力，不只是理工科技能

国家战略 · 武大课程 · 校园现实 · AI 依赖 · 数据合规

第五大生产要素

“数据二十条”与数据要素市场建设中，数据已被确立为与土地、劳动力、资本、技术并列的第五大生产要素。武大开设《数据要素》《数据科学导论》等全校课程，校长张平文院士亲自讲授数据科学——无论你学什么专业，“看懂数据”都会成为基本素养。

校园里每天都在产生“脏数据”

报名接龙、问卷星、签到表、社团纳新表……本课用的 07-attendance.csv 里有重复行、不可能时间、口径混合——这不是教学刁难，而是真实世界的常态。学会整理它们，是大学第一年的实用技能。

约四成研究生承认 AI 依赖致思维惰性

浙大团队的调研提醒我们：AI 可以秒级给出精确数字，但约四成受访研究生承认过度依赖 AI 造成思维惰性。数据领域的表现就是——看起来会算，其实不会算，也不敢质疑算出的数。人工复算一次，就是保持思维强度的最低训练量。

个人信息保护法的脱敏要求

处理个人信息须遵循最小必要与知情同意。分析问卷和报名数据时，姓名、学号、手机号都属于个人信息——课程演练统一使用模拟资料；真实数据必须先脱敏，再进入分析流程。

深一步追问 与 迁移练习

左边给“吃不饱”的同学，右边是本周课后作业

深一步追问（不设标准答案）

迁移练习 · 本周作业

找一张不含敏感信息的小表格（社团台账、课程评价汇总、公开数据集均可），完成三件事：

下节课带入小组互查：同伴只凭你的字典和问题，复算你的数字。

第 08 周 · 收束