分析数据集并交付报告

本页根据 OpenAI 官方 Codex use cases 页面重新整理，核对时间为 2026-03-30。这里保留原文的任务边界、推荐技能和工作流重点，但改写成更适合课程、工作坊和机构授课的中文版本。

官方原始定位

• 官方标题：分析数据集并交付报告
• 官方难度：Intermediate
• 官方预估时长：1h
• 官方核心说明：用 Codex 清洗数据、连接多源文件、探索假设、建模并把结果包装成可复用的分析产物。

这节课最适合哪些人

• 起点是脏数据，终点是图表、备忘录、报告、仪表板的分析任务
• 想把清洗、连接、探索分析、可复用脚本串在一起的分析师
• 需要可审阅、可复跑产物，而不是一次性 notebook 状态的团队

课上应该带学员理解什么

• 数据分析不是为了“做完分析”，而是为了产生一个别人能据此行动的产物
• 官方特别强调可复现 workflow，而不是一次性 notebook 魔法
• 一个好的数据课题要先有具体问题，再谈 join、清洗和建模

官方强调的工作流

1. 先定义一个足够具体的问题，不要让分析目标停留在“看看数据里有什么”
2. 让 Codex 先解释数据文件、可能的 join key 和显而易见的数据质量问题
3. 优先用脚本和保存下来的工件，而不是只在 notebook 里堆临时状态
4. 沿着“导入与整理 -> 转换、可视化、建模 -> 沟通结果”的循环推进

课堂演示顺序

1. 先给学员一个业务问题，让他们先说“最终要交什么”
2. 再让 Codex 盘点数据、提出清洗计划和分析计划
3. 挑一个图表或结论，追问它背后的 join 依据和口径风险
4. 最后把结果收束成一页摘要或一份正式小报告，强调“交付物意识”

推荐技能与插件

• Spreadsheet：快速检查 CSV、TSV、Excel 的字段、公式和导出问题
• Jupyter Notebook：做探索式分析、实验和可讲解的过程展示
• Doc / PDF：把分析结果整理成领导、客户或合作方能直接看的正式交付物

课堂版起手提示词

我正在做一个数据分析项目，请把它整理成可复现的工作流。

目标：
- 回答一个明确业务问题，而不是泛泛看数据

开始时请先做这些事：
1. 读取 AGENTS.md，并说明推荐的 Python 环境
2. 加载我提供的数据文件
3. 解释每个文件包含什么、可能的 join key 是什么、有哪些明显质量问题
4. 提出从导入与整理到可视化、建模和报告输出的可复现流程

约束：
- 优先脚本和保存下来的工件，不要只依赖临时 notebook 状态
- 不要凭空编造缺失值或 merge key
- 最终输出 setup plan、data inventory、analysis plan 和第一批命令或文件

课堂验收与交付物

• 一份数据盘点清单
• 一份清洗与分析流程说明
• 一份可复现脚本或 notebook
• 一份可分享的图表、备忘录或报告

讲师讲这节课时最容易踩的坑

• 这节课最容易讲浅的地方，是只展示图表，不解释字段和 join 风险
• 如果学员不是技术岗，更要把“为什么这个结论可信”讲出来
• 特别适合成人效率营和成人行业实战营

建议搭配本站这些内容

• 成人效率营
• 成人行业实战营

官方参考

• OpenAI Developers: 分析数据集并交付报告