只做第一步也可以
用 scan_csv 读取并打印 schema；写下每行粒度与候选主键
保留真实输出或卡点，带到课堂；不要求一次完成全部。W07 · DATA COMPUTING
Polars：从 Excel 思维到表达式思维Schema · Expressions · Lazy Execution
Excel 适合人眼交互，Polars 适合把清洗规则写成可重复执行的表达式管线。重点不是记 API，而是明确 schema、空值、粒度与变换顺序。
0 / 0 已完成
01
知识范围 · 交互图谱
Know the map before details学完后大致能做到
区分表格外观、DataFrame 与数据 schema
使用 select、filter、with_columns、group_by 与 join
显式处理日期、金额、空值和重复记录
用 scan_* + lazy plan 完成可优化管线并输出 Parquet
02
零基础起步
Start small · bring real progress不要等到「全部学会」才开始
先完成最小动作。哪怕没有成功复现，也请保留报错、截图和尝试过程；课堂可以展示卡点、旁听提问，并继续获得积分。
做出核心结果
用 Polars 清洗混合日期、货币符号、缺失值和重复记录，生成带质量检查的 Parquet。
成功复现可获得「复现 +1」，并具备展示资格。想多做再继续
打印并解释 optimized plan
有拓展 +1，多拓展 +2；不影响零基础起步。完整复现步骤
用 scan_csv 读取并打印 schema；写下每行粒度与候选主键
清理金额符号与逗号、统一日期、标准化类别，明确 null 策略
去重前后都记录行数；对金额范围、主键唯一性、借贷平衡设置质量门
按月份/类别聚合并解释一个异常点
collect 后写出 clean_transactions.parquet，并用新进程重新读取验证
Python · Polars 惰性管线骨架
import polars as pl
q = (
pl.scan_csv("transactions_messy.csv", infer_schema_length=0)
.with_columns(
pl.col("amount")
.str.replace_all(r"[¥, ]", "")
.cast(pl.Float64, strict=False),
pl.col("date").str.to_date(strict=False),
)
.filter(pl.col("amount").is_not_null())
# TODO: 去重、质量门、聚合
)
df = q.collect()
print(df.schema, df.shape)展示时可拿出的证据
- 原始与清洗后 schema 对照
- 质量门断言及通过结果
- 清洗前后行数与重复数
- Parquet 文件与一张聚合表
本机自查清单
03
让 AI 一步一步带你做
Copy this starter prompt循环方式
- 告诉 AI：我是零基础、使用什么系统、当前做到哪一步
- 一次只要一个步骤，先看预期结果再执行
- 把真实输出或报错贴回 AI，不要只说「不行」
- 把验证过的步骤整理回飞书实验报告
- 重复：问 → 做 → 报错 → 修正 → 再做
给 AI 的起步提示词
我是金融学院硕士生，计算机零基础。我正在学习《金融编程与计算》W07，本周目标是：实验 05 · 脏交易流水清洗与质量门。 请把我当作第一次接触这些工具的人，并遵守： 1. 一次只给我一个步骤，不要一次倾倒完整答案。 2. 每一步先用日常语言解释目的，再给可复制的命令或代码。 3. 告诉我正常情况下应该看到什么，以及最常见的一个错误。 4. 如果不知道我的操作系统、目录或安装状态，先问我，不要假设。 5. 等我贴回真实输出或报错后，再判断下一步。 现在只带我完成第一步：用 scan_csv 读取并打印 schema；写下每行粒度与候选主键
04
问题驱动
这些问题不是课前考试。遇到不懂就问 AI；最后只需能结合自己的操作，说清其中一部分。
DataFrame 与 Excel 工作表最本质的差别是什么？
为什么读入后第一步应看 schema 而不是直接画图？
惰性执行如何让「只读两列、只取部分行」更快？
左连接后行数变多通常说明什么？
缺失值能否一律填 0？
05
只交一份实验报告
The learning process is the deliverable建议结构
- 本周目标：我想完成什么，以及最后做到哪一步
- 环境：操作系统、软件版本、安装方式与必要依赖
- 操作步骤：按真实执行顺序写出可复制的命令或代码
- 结果：关键输出、截图及我如何判断它是否正确
- 踩坑与克服：现象 → 可能原因 → 实际排查 → 解决办法
- 结论：本周学会了什么，仍有什么没有解决
- 诚实标注：哪些来自 AI 建议，哪些已由本人亲自验证
本周常见坑
- infer_schema 把混合类型列猜错
- 直接 drop_nulls 导致有业务意义的行消失
- join 前未检查键的唯一性
- 先 collect 全表再过滤，失去惰性优化
不另交 AI 使用记录
只需在实验报告中诚实标注：哪些步骤来自 AI 建议，哪些已经本人验证，哪些仍未验证。学习过程写好，报告就自然产生。
06
课堂时间全部用于验收
No new lecture · public verification两次考勤
上课提前 5 分钟点名，下课前 5 分钟再次点名。
自愿共享屏幕
用本人笔记本打开实验报告，展示真实操作、结果或卡点。
现场复现与双分
作者现场运行；同学也可仅凭该文档复现，作者与复现者都加分。
随机拷问与好问题
教师判断掌握程度；旁听同学可提出被采纳的好问题。
本周可能被问
- DataFrame 的 schema 是什么？
- lazy 与 eager 的区别是什么？
- 数据粒度为什么要先于聚合定义？
- 左连接后行数变多可能是哪类关系？
- null、NaN、0 与空字符串有何差别？
07
本周课堂积分
Same rules every week考勤
上课提前 5 分钟点名，下课前 5 分钟再点名
出勤 +3迟到 +2早退 +2请假 +1旷课 +0
复现
使用 AI 自学，按照教学大纲完成了每周实验任务
成功复现 +1未能复现 +0
拓展
按照教学大纲完成一项或多项拓展任务
多拓展 +2有拓展 +1无拓展 +0
展示
主动共享屏幕展示复现过程，接受核验与拷问
课堂自愿共享屏幕展示 +3无课堂展示 +0
首讲
每节课堂最先自愿开讲的前 3 人
前 3 人 +1
提问
认真旁听并提出被采纳的好问题
被采纳 +0.5
拷问
面对面随机拷问 · 反空心化闸门
空心代工 −1一知半解 +1融会贯通 +2
双分
仅凭文档课堂现场复现
作者与复现者 都 +1
精选
本周最佳文档
知识库 + 席位 + 署名 + 积分 +3
做一点，也算一点
没有完成全部实验，也可以凭考勤、展示卡点、认真提问和真实回答获得积分；做得越扎实，展示、拓展、拷问、双分和精选带来的激励越多。飞书应用展示过去 30 天积分榜与总积分榜。
08
自由拓展与参考资源
拓展挑战
- 打印并解释 optimized plan
- 把质量门封装成可复用函数
- 同一任务用 pandas 重写并比较内存/表达方式