第六章数据洞察——让数字开口说话

本章摘要：在大数据时代，只有数据没有洞察，就等于守着金矿要饭。本章将教会读者如何利用 AI 成为数据分析师。无论是文科生还是理科生，都能通过 AI 轻松搞定复杂的 Excel 公式、自动生成可视化图表，甚至用 Python 代码挖掘数据背后的秘密。

知识图谱

导言：告别”表哥表姐”的苦日子

我们每天都在产生数据——考试成绩、体测记录、消费账单、社交互动。但数据本身只是一堆数字，只有经过分析和可视化，才能从中发现规律、支撑决策。

过去，数据分析是统计学和编程的专属领域。如今，AI 让这一切变成了自然语言交互——“帮我把这一列的日期格式统一一下”、“分析一下为什么这周的销售额下降了”、“用 Python 画一张带趋势线的散点图”。AI 就是你的全能数据助理，它不仅能干脏活累活（清洗数据），还能干脑力活（分析洞察）。

本章将从 AI 辅助的数据分析基础讲起，延伸到个性化方案定制，最后为有编程兴趣的同学提供 Python 数据分析的入门路径。

学习目标

完成本章学习后，读者将能够：

运用 AI 辅助 Excel 操作：自动写复杂公式（如 VLOOKUP）、清洗脏数据、生成数据透视表逻辑；
生成数据分析报告：上传表格，让 AI 自动发现数据中的趋势、异常值和相关性；
定制个性化方案：基于数据（如体测成绩、性格测试），用 AI 生成针对性的改进计划；
体验 Python 数据分析（进阶）：理解 Pandas 和 Scikit-learn 的基本用法，运行简单的机器学习代码。

6.1 数据分析基础

一份杂乱的 Excel 表格，AI 能在几分钟内完成清洗、分析和可视化——前提是会”提问”。

一、为什么需要数据分析

有人可能觉得”数据分析”是统计学专业的事。但换个角度想：幼儿园老师观察孩子的身高体重曲线，判断发育是否正常；艺术生分析社交媒体的互动数据，决定下一组作品的风格方向；甚至你每天看天气预报决定穿什么衣服——这些说白了都是在”读数据”。数据不是冰冷的数字，而是现实世界的”数字孪生”，是理解世界的第二语言。区别只在于：有人读得懂，有人读不懂。

举个例子：班长需要统计全班同学的成绩，找出哪些科目的不及格率最高；社团负责人需要分析活动报名数据，判断哪种宣传渠道效果最好；创业团队需要分析用户反馈，决定下一步产品方向。这些场景都需要从数据中提取有价值的信息。

AI 工具的出现，大幅降低了数据分析的门槛。不需要精通 Excel 函数，也不需要会写代码——只要能清楚地描述分析需求，AI 就能帮助完成。

几个基础统计概念：

在让 AI 分析数据之前，需要了解几个常用的统计指标，这样才能看懂 AI 的输出结果：

表6-1 基础统计指标说明

指标	含义	通俗解释
均值（Mean）	所有数据的算术平均	“大家平均考了多少分”
中位数（Median）	排序后位于中间的值	“排在正中间的同学考了多少分”
标准差（Std）	数据的离散程度	“大家的成绩差距大不大”
最大/最小值	数据的极端值	“最高分和最低分是多少”

小贴士：均值容易受极端值影响。比如一个班 30 人，29 人考了 80 分，1 人考了 20 分，均值是 78 分，但中位数是 80 分。中位数更能反映”大多数人”的水平。

数据陷阱：平均工资的谎言

一位亿万富翁走进一家只有 10 位普通工人的小酒馆，瞬间，这家酒馆的”人均资产”过亿。数字没有错，但结论荒谬——这就是均值的陷阱。现实中，当新闻报道”某城市平均月薪 1 万元”时，大多数人的真实感受可能是”被平均了”。如果换用中位数，数字可能只有 6000 元。同一组数据，选择不同的统计指标，讲出的”故事”截然不同。学会追问”这个数字用的是什么指标”，是数据素养的第一课。

二、AI 辅助数据分析的基本流程

无论数据来自哪里，AI 辅助分析通常遵循以下流程：

每个环节都可以借助 AI 工具来加速。

三、数据清洗：让”脏数据”变干净

真实世界的数据往往存在缺失值、重复项、格式不统一等问题。直接分析”脏数据”会导致错误的结论。

常见的数据质量问题：

表6-2 数据质量问题与AI辅助解决方式

问题类型	示例	AI 辅助解决方式
缺失值	某些学生的成绩为空	让 AI 生成填充公式（均值/中位数填充）
重复项	同一条记录出现两次	让 AI 生成去重公式或 VBA 脚本
格式不统一	日期格式混乱（2024/1/1 vs 1月1日）	让 AI 生成格式转换公式
异常值	某学生成绩为 999 分	让 AI 识别并标记异常数据

提示词示例（数据清洗）：

以下是一份班级成绩表的部分数据（粘贴数据）。请帮我：
1. 检查是否存在缺失值，并建议填充方案；
2. 检查是否存在重复记录；
3. 检查是否存在明显的异常值；
4. 给出用于清洗的 Excel 公式。

四、用 AI 生成 Excel 公式

零基础也能跟上：下面会出现一些 Excel 公式，看不懂没关系——重点不是记住公式，而是学会”用自然语言告诉 AI 你想算什么”。你只需要把数据粘贴给 AI，用大白话描述需求，AI 会帮你生成公式并解释用法。

对于不熟悉 Excel 函数的用户，AI 可以根据自然语言描述直接生成公式。

常见场景与提示词：

表6-3 自然语言需求与AI生成Excel公式示例

需求描述	AI 生成的公式
“计算 B 列所有大于 60 分的平均值”	`=AVERAGEIF(B:B,">60")`
“统计 C 列中’优秀’出现的次数”	`=COUNTIF(C:C,"优秀")`
“如果 D 列大于 90 显示’A’，大于 80 显示’B’，否则显示’C’”	`=IF(D2>90,"A",IF(D2>80,"B","C"))`
“按班级分组计算各科平均分”	数据透视表操作步骤

提示词模板：

我有一份 Excel 表格，列结构如下：[描述列名和数据类型]。
请帮我生成公式，实现以下功能：[描述需求]。
请同时说明公式的含义和使用方法。

五、数据可视化：让数字”说话”

数据分析的结果需要通过可视化来直观呈现。AI 可以帮助选择合适的图表类型并生成代码。

图表类型选择指南：

视觉叙事的陷阱：同一组数据，用饼图展示会强调”各部分的占比关系”，用柱状图展示则强调”各项之间的大小差距”。如果某个班级的成绩只比其他班高 2 分，用柱状图并把纵轴起点设为 75 分，视觉上差距会被放大数倍；而如果纵轴从 0 开始，差距几乎看不出来。选择什么图表、如何设置坐标轴，本身就是一种”叙事立场”。学会读图，也要学会识破图表背后的”视觉修辞”。

表6-4 数据可视化图表类型选择指南

分析目的	推荐图表	适用场景
比较大小	柱状图 / 条形图	各班平均分对比
展示趋势	折线图	月度成绩变化
显示占比	饼图 / 环形图	各等级人数占比
分析分布	直方图 / 箱线图	成绩分布情况
展示关系	散点图	学习时长与成绩的关系

使用 Mermaid 生成简单图表：

AI 可以直接生成 Mermaid 语法的图表代码，适合快速嵌入报告。

请根据以下数据生成一个 Mermaid 柱状图：
一班平均分 82，二班 78，三班 85，四班 80。

AI 生成结果：

六、实操演示：用 DeepSeek 分析一份成绩数据

第 1 步：准备数据。假设有以下 10 名同学的期末成绩（语文、数学、英语）：

姓名,语文,数学,英语
张三,85,92,78
李四,72,65,80
王五,90,88,95
赵六,68,,75
钱七,85,92,78
孙八,55,48,60
周九,78,82,85
吴十,92,95,90
郑十一,999,80,72
张三,85,92,78

注意：这份数据故意包含了几个问题——赵六的数学成绩缺失、郑十一的语文成绩异常（999）、张三的记录重复。

第 2 步：将数据粘贴到 DeepSeek，输入提示词：

以下是一份班级期末成绩数据。请帮我完成：
1. 数据质量检查：找出缺失值、重复项和异常值；
2. 数据清洗建议：给出处理方案；
3. 基本统计分析：计算各科的均值、中位数、标准差；
4. 找出偏科严重的学生（某科与其他科差距超过 20 分）。

DeepSeek 输出示例：

数据质量检查： - 缺失值：赵六的数学成绩为空 - 重复项：张三出现了 2 次，数据完全相同 - 异常值：郑十一的语文成绩为 999，明显超出合理范围

清洗建议： - 赵六的数学成绩：建议用其他科目的平均分（71.5）估算，或标记为待补录 - 张三的重复记录：删除其中一条 - 郑十一的语文 999 分：建议联系教务确认，暂时标记为缺失

基本统计（清洗后）：

科目均值中位数标准差

语文 77.5 78.0 12.1

数学 80.3 82.0 15.2

英语 79.4 78.0 10.3

偏科学生： - 孙八：数学 48 分，与英语（60）差距 12 分，与语文（55）差距 7 分，数学明显偏弱

科目	均值	中位数	标准差
语文	77.5	78.0	12.1
数学	80.3	82.0	15.2
英语	79.4	78.0	10.3

第 3 步：检查 AI 的分析结果。重点核实：数据问题是否都被发现了？统计数字是否正确？建议是否合理？

主线任务：分析一份真实数据，生成分析报告

从以下数据集中选择一个（或使用自己的真实数据），完成一份完整的数据分析报告：

学业类：班级期末成绩数据（使用上方模拟数据）

生活类：自己过去一个月的消费账单，分析食品支出占比（恩格尔系数）

社会类：某城市不同年龄段的阅读偏好数据（可让 AI 生成模拟数据）

操作步骤：

将数据粘贴给 DeepSeek，要求进行数据清洗和基本统计（均值、中位数、标准差）；
让 AI 生成各科成绩分布的可视化图表；
让 AI 识别成绩异常的学生并分析可能原因；
将分析结果整理为一份结构化的报告。

6.2 个性化方案定制

数据分析的终极目标不是生成图表，而是为具体的人提供具体的建议。

一、从”群体分析”到”个体方案”

6.1 节的数据分析侧重于群体层面的统计（如班级平均分、成绩分布）。但在实际应用中，我们往往需要根据个体数据生成个性化的方案——这正是 AI 擅长的领域。

核心思路：

个体数据 → AI 分析特征 → 匹配知识库 → 生成个性化方案

以下通过两个跨学科融合案例来演示这一思路。

二、体育融合：“科学锻炼教练”

场景：根据学生的体测数据，生成个性化的训练计划。

实操演示：用 DeepSeek 生成个性化训练方案

第 1 步：收集体测数据。假设体测成绩如下：

身高：175cm，体重：78kg，BMI：25.5
1000 米跑：4 分 35 秒（及格线 4 分 32 秒）
引体向上：6 个（及格线 10 个）
立定跳远：2.15 米（良好）
坐位体前屈：8cm（及格）

第 2 步：打开 DeepSeek，输入以下提示词：

你是一位运动科学专家。以下是一名大二男生的体测数据：
- 身高：175cm，体重：78kg，BMI：25.5
- 1000 米跑：4 分 35 秒（及格线 4 分 32 秒）
- 引体向上：6 个（及格线 10 个）
- 立定跳远：2.15 米（良好）
- 坐位体前屈：8cm（及格）

请完成：
1. 分析该生的体能优势和薄弱环节；
2. 制定一份为期 4 周的训练计划，重点提升薄弱项；
3. 每周训练 4 次，每次 45 分钟，标注强度等级；
4. 附上饮食建议和注意事项。

第 3 步：查看 AI 输出，重点检查以下内容：

DeepSeek 输出示例（节选）：

体能分析： - 优势：立定跳远达到良好，说明下肢爆发力较好 - 薄弱项：引体向上仅 6 个（差 4 个达标），上肢力量不足；1000 米跑超时 3 秒，心肺耐力需提升 - BMI 25.5 略偏高，建议适当控制体重

第 1 周训练计划（适应期）：

日期训练内容时长强度

周一慢跑 20 分钟 + 俯卧撑 3×10 + 拉伸 45 min ★★☆

周三引体向上辅助训练 + 核心力量 45 min ★★☆

周五间歇跑（400m×4）+ 上肢力量 45 min ★★★

周日柔韧性训练 + 轻松慢跑 45 min ★☆☆

日期	训练内容	时长	强度
周一	慢跑 20 分钟 + 俯卧撑 3×10 + 拉伸	45 min	★★☆
周三	引体向上辅助训练 + 核心力量	45 min	★★☆
周五	间歇跑（400m×4）+ 上肢力量	45 min	★★★
周日	柔韧性训练 + 轻松慢跑	45 min	★☆☆

第 4 步：根据自身实际情况调整。AI 生成的方案是通用建议，可以追问细节：

第 1 周的引体向上辅助训练具体怎么做？
我目前只能做 6 个，请给出从 6 个提升到 10 个的渐进方案。

AI 生成方案的关键要素：

表6-5 AI辅助个性化训练方案关键要素

要素	说明
现状评估	基于数据的客观分析，而非主观判断
目标设定	具体、可量化、有时间节点
分阶段计划	循序渐进，避免运动损伤
个性化调整	针对薄弱项重点训练

重要提醒：AI 生成的训练计划仅供参考。有运动损伤史或特殊健康状况的同学，应在专业体育教师指导下进行训练。

思辨时刻：数据之外的”人的温度”

AI 根据体测数据建议”每天跑 5 公里”，但如果这名学生今天心情极度低落，或者身体有轻微不适呢？数据看不到一个人此刻的状态。数据分析提供的是”一般情况下的最优解”，而人的决策需要考虑”此时此刻的具体处境”。无论未来从事什么职业——教师、护士、管理者——都要记住：数据是参考，对人的具体处境的体察才是决策的灵魂。

三、心理融合：“心灵成长伙伴”

场景：利用 AI 进行心理健康知识科普和情绪管理练习。

在进入具体操作之前，有必要先明确 AI 在心理辅助场景中的使用边界：

边界设定——AI 心理辅助的红线：

表6-6 AI心理辅助的使用边界

行为	性质	说明
用 AI 学习心理学知识	✅ 合理使用	相当于阅读科普书籍
用 AI 练习情绪管理技巧	✅ 合理使用	如正念练习、认知重构
用 AI 替代专业心理咨询	❌ 不可取	AI 无法提供专业诊断和治疗
向 AI 倾诉严重心理困扰	❌ 应寻求专业帮助	请联系学校心理咨询中心或拨打心理援助热线

核心原则：AI 是心理健康”科普员”，不是”咨询师”。它可以帮助了解心理学知识、练习自我调节技巧，但不能替代专业的心理咨询和治疗。

提示词示例（情绪管理练习）：

你是一位心理健康教育老师，擅长认知行为疗法（CBT）的科普。
一名学生反映最近考试压力很大，经常失眠、注意力不集中。

请完成：
1. 用通俗易懂的语言解释"考试焦虑"的心理机制；
2. 提供 3 个基于 CBT 的自我调节技巧，每个配一个练习步骤；
3. 设计一份"情绪日记"模板，帮助学生记录和管理情绪。

数据伦理红线：谁有权把数据交给 AI？

当我们把同学的体测数据或心理测评结果粘贴给 AI 分析时，是否想过：这些数据的主人同意了吗？个人的身体指标、情绪状态、学业成绩都属于隐私数据。未经授权就将他人数据投喂给 AI，即使出发点是”帮忙分析”，实质上也是对隐私的侵犯。数据保护不是技术问题，而是对人的尊严的尊重——这是每一个数据使用者的职业底线。

拓展任务·体育融合：“科学锻炼教练”

收集自己的体测数据（或使用模拟数据），让 AI 生成一份个性化的 4 周训练计划，并记录第一周的执行情况。

拓展任务·心理融合：“心灵成长伙伴”

使用 AI 设计一份”考试周情绪管理工具包”，包含：情绪日记模板、3 个减压小练习、1 份作息建议。

阅读材料：推荐系统——淘宝”猜你喜欢”背后的逻辑

当打开淘宝，首页展示的商品几乎都是用户”可能感兴趣”的——这背后是推荐系统在工作。推荐系统的核心逻辑是：收集用户的行为数据（浏览、搜索、购买、收藏），构建”用户画像”（年龄、性别、消费偏好、价格敏感度），然后通过协同过滤、深度学习等算法，预测用户可能喜欢的商品并推送。

更进一步，推荐系统还会使用”交叉销售”策略——如果用户买了手机壳，它会推荐钢化膜；如果买了跑步鞋，它会推荐运动袜。这种”买了 A 的人通常也会买 B”的关联分析，其实就是数据驱动的个性化方案定制。

思考：推荐系统让购物更方便了，但它是否也在制造”信息茧房”——让人只看到自己想看的，而错过了更广阔的选择？

6.3 Python 数据分析初探（进阶选修）

本节面向有编程兴趣的同学。如果暂时不打算学习编程，可以跳过本节，不影响后续章节的学习。

写在前面：本节的目标不是让你”学会 Python”，而是让你体验一种思维方式——计算思维：把一个复杂问题拆解为”输入→处理→输出”的逻辑步骤。记住语法不重要，重要的是学会用自然语言描述需求，让 AI 帮你把逻辑翻译成代码。只要有清晰的逻辑，即使不会写代码，也能指挥 AI 完成数据分析任务。

一、为什么选择 Python？

Python 是数据分析和人工智能领域最主流的编程语言，原因在于：

语法简洁：接近自然语言，入门门槛低；

生态丰富：拥有 NumPy、Pandas、scikit-learn 等强大的数据科学库；

AI 友好：可以直接让 DeepSeek 帮忙编写和调试 Python 代码。

二、环境准备

推荐使用 Jupyter 官方提供的在线环境（jupyter.org/try-jupyter），无需在本地安装任何软件，打开浏览器即可编写和运行 Python 代码。

操作步骤：

访问 https://jupyter.org/try-jupyter/，点击”Jupyter Notebook”；
在启动页面中选择内核 Python 3.13，新建一个 Notebook；
在代码单元格中输入 Python 代码，按 Shift + Enter 运行。

三、NumPy 与 Pandas 基础

NumPy：高效的数值计算

import numpy as np

## 创建一组成绩数据
scores = np.array([78, 85, 92, 66, 73, 88, 95, 70, 82, 90])

print(f"平均分：{scores.mean():.1f}")
print(f"最高分：{scores.max()}")
print(f"最低分：{scores.min()}")
print(f"标准差：{scores.std():.1f}")

Pandas：表格数据处理利器

import pandas as pd

## 读取 CSV 文件
df = pd.read_csv("成绩表.csv")

## 查看前 5 行
print(df.head())

## 按班级分组计算平均分
print(df.groupby("班级")["总分"].mean())

## 筛选不及格的学生
failed = df[df["总分"] < 60]
print(f"不及格人数：{len(failed)}")

提示：不需要记住所有函数。遇到不会写的代码，直接用自然语言描述需求，让 DeepSeek 帮忙生成。例如：“用 Pandas 读取一个 CSV 文件，按班级分组统计各科平均分，并生成柱状图。”

四、Matplotlib：用 Python 画图表

Matplotlib 是 Python 中最常用的可视化库。配合 Pandas，可以用几行代码生成专业的数据图表。

实操演示：用 DeepSeek 生成可视化代码

假设想把 6.1 节的成绩数据画成柱状图。不需要记住 Matplotlib 的语法——直接告诉 DeepSeek 想要什么：

请用 Python 的 matplotlib 库，根据以下数据画一个柱状图：
- 科目：语文、数学、英语
- 均值：77.5、80.3、79.4
要求：中文标题"各科平均分对比"，柱子用不同颜色，显示数值标签。

DeepSeek 会生成类似以下代码：

import matplotlib.pyplot as plt

## 设置中文字体（Jupyter 在线环境）
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

subjects = ['语文', '数学', '英语']
means = [77.5, 80.3, 79.4]
colors = ['#FF6B6B', '#4ECDC4', '#45B7D1']

plt.figure(figsize=(8, 5))
bars = plt.bar(subjects, means, color=colors)

## 在柱子上方显示数值
for bar, val in zip(bars, means):
    plt.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 0.5,
             f'{val}', ha='center', fontsize=12)

plt.title('各科平均分对比', fontsize=16)
plt.ylabel('平均分')
plt.ylim(70, 85)
plt.show()

代码解读：

plt.bar() 画柱状图，color 参数控制颜色；
plt.text() 在柱子上方添加数值标签；
plt.show() 显示图表。

将这段代码复制到 Jupyter Notebook 中运行，就能看到一张带有中文标题和数值标签的柱状图。

小贴士：如果运行时中文显示为方块，说明在线环境缺少中文字体。可以将字体设置改为 plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC', 'SimHei', 'DejaVu Sans']，或在本地安装 Python 环境运行。

五、scikit-learn：机器学习初体验

scikit-learn 是 Python 中最常用的机器学习库。以下用一个简单的例子演示”线性回归”——根据学习时长预测考试成绩。

from sklearn.linear_model import LinearRegression
import numpy as np

## 训练数据：学习时长（小时）与考试成绩
hours = np.array([2, 3, 4, 5, 6, 7, 8]).reshape(-1, 1)
scores = np.array([55, 62, 68, 75, 80, 85, 90])

## 训练模型
model = LinearRegression()
model.fit(hours, scores)

## 预测：学习 5.5 小时能考多少分？
predicted = model.predict([[5.5]])
print(f"预测成绩：{predicted[0]:.1f} 分")
print(f"每多学 1 小时，成绩约提升 {model.coef_[0]:.1f} 分")

代码解读：

LinearRegression() 创建一个线性回归模型；
model.fit() 用已有数据”训练”模型，让它学习学习时长与成绩之间的关系；
model.predict() 用训练好的模型进行预测。

这就是机器学习的基本范式：用数据训练模型，用模型做预测。

▲ 进阶挑战：用 Python 分析真实教育数据集

从公开数据集网站（如 Kaggle）下载一份教育相关的数据集；
使用 Pandas 进行数据清洗和探索性分析；
使用 scikit-learn 训练一个分类模型（如预测学生是否会通过考试）；
将分析过程和结论整理为一份 Jupyter Notebook 报告。

提示：整个过程中，可以随时将代码报错信息粘贴给 DeepSeek，让它帮助调试。AI 辅助编程是当前最高效的学习方式之一。

本章小结

本章围绕”让数字开口说话”这一目标，从 AI 辅助数据分析基础讲起，延伸到个性化方案定制，最后为有编程兴趣的读者提供了 Python 数据分析的入门路径。数据不是冰冷的数字，而是理解世界的”第二语言”。

小节	核心内容	关键概念
6.1 数据分析基础	利用 AI 辅助 Excel 操作，完成数据清洗、公式生成、可视化图表和分析报告	Excel 公式、数据清洗、数据可视化
6.2 个性化方案定制	基于个体数据（如体测成绩、性格测试）用 AI 生成针对性的改进方案	个性化分析、方案定制
6.3 Python 数据分析初探	体验用 Pandas 和 Scikit-learn 进行数据分析的计算思维方式（进阶选修）	Python、Pandas、计算思维

只有数据没有洞察，就等于守着金矿要饭。掌握 AI 辅助数据分析的能力，便能从数据中发现规律、支撑决策。下一章将更进一步，学习如何搭建专属的 AI 智能体。

第六章实践与练习

数据不说谎，但说谎的人会利用数据。学会数据分析，是为了看清真相。

一、选择题

以下哪个统计指标最不容易受极端值影响？
- A. 均值
- B. 中位数
- C. 最大值
- D. 总和
数据清洗时，发现某学生成绩为 999 分，最合理的处理方式是：
- A. 直接删除该学生的所有数据
- B. 将 999 改为 0 分
- C. 标记为异常值，联系数据源核实后再处理
- D. 用全班平均分替换
想要展示”各班级期末成绩的分布情况”，最合适的图表类型是：
- A. 饼图
- B. 折线图
- C. 箱线图
- D. 散点图
AI 生成的个性化训练计划，使用前最需要注意的是：
- A. 计划的排版是否美观
- B. 是否结合个人实际情况并咨询专业人士
- C. AI 使用的是哪个模型
- D. 生成速度是否够快

二、简答题

请解释”均值”和”中位数”的区别，并举例说明在什么情况下中位数比均值更能反映数据的真实情况。
AI 可以根据个人数据生成个性化方案（如训练计划、学习计划），但为什么说这些方案”仅供参考”？请从数据准确性和专业判断两个角度分析。

三、实操题

数据分析报告：收集所在班级某次考试的成绩数据（或使用模拟数据），粘贴给 DeepSeek，要求完成数据清洗、基本统计分析和可视化图表生成。将 AI 的输出整理为一份完整的分析报告。
个性化方案：收集自己的体测数据（或使用模拟数据），让 DeepSeek 生成一份 4 周训练计划。要求：检查方案的合理性，并针对至少一个细节进行追问优化。
（进阶）Python 可视化：在 Jupyter 在线环境（jupyter.org/try-jupyter）中，使用 DeepSeek 帮忙编写 Python 代码，将一组成绩数据绘制为柱状图和折线图。记录与 DeepSeek 的对话过程（提示词和输出）。

参考答案（选择题）：1-B 2-C 3-C 4-B

四、进阶挑战：我的量化生活

背景：量化自我（Quantified Self）是一种生活方式。

任务：记录你一周的手机屏幕使用时间（Screen Time）。数据列：日期、总时长、最常用 App、心情评分（1-10）。

隐私提示：本任务使用的是你自己的个人数据。在把数据输入 AI 时，无需填写真实姓名，用”我”代替即可。不要在 AI 对话中输入手机号、账号密码等敏感信息。

操作：

把数据录入 Excel。
把数据喂给 AI，提问：“分析我的手机使用习惯和心情之间有关系吗？”“预测一下，如果我下周每天少玩 1 小时手机，心情评分会如何变化？”
让 AI 生成一份”数字排毒计划”。

五、延伸阅读

书籍：《赤裸裸的统计学》 ^[8] —— 统计学入门神作，通俗易懂
网站：Kaggle —— 全球最大的数据科学社区，上面有无数有趣的数据集（如泰坦尼克号、房价预测）