只做第一步也可以
检查日期、缺失、极值与描述统计，先写出三个待回答问题
保留真实输出或卡点，带到课堂；不要求一次完成全部。W09 · DATA COMPUTING
探索性分析与可视化叙事EDA · Honest Visual Encoding
图不是装饰，而是把问题、比较关系和不确定性编码成视觉证据。先问「要比较什么」，再选图；必须保留数据与代码。
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
按变量类型与分析问题选择图形
用分布、时序与关系图完成最小 EDA
识别截断坐标、双轴、过度平滑等误导风险
输出可复现静态图和一个可选交互图
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
使用合成市场收益数据，制作分布、时序、风险—收益关系三张图；再制作一张故意误导的图并逐条纠正。
成功复现可获得「复现 +1」，并具备展示资格。想多做再继续
用 Plotly 增加悬停与筛选
有拓展 +1，多拓展 +2；不影响零基础起步。完整复现步骤
检查日期、缺失、极值与描述统计，先写出三个待回答问题
用 Seaborn/Matplotlib 画收益分布与基准对照
画累计收益或滚动波动时序图，并明确频率与窗口
画资产风险—收益散点图，直接标注资产名
制作一张误导图，解释误导机制后修正；所有图带标题、单位、来源和导出命令
Python · 可复现图形骨架
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
df = pd.read_csv("market_returns.csv", parse_dates=["date"])
sns.set_theme(style="whitegrid")
ax = sns.histplot(df, x="asset_a", bins=30, kde=True)
ax.set(title="Asset A monthly return distribution", xlabel="Return")
plt.tight_layout()
plt.savefig("asset_a_distribution.png", dpi=180)展示时可拿出的证据
- 三张合格图与一张纠错对照
- 每张图一句主结论与一句限制
- 完整绘图脚本和输入数据路径
- 改变一个参数后重新生成的证据
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》W09，本周目标是：实验 07 · 一页金融 EDA 证据板。 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：检查日期、缺失、极值与描述统计，先写出三个待回答问题
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。
为什么均值相同的两组数据可能需要完全不同的决策？
折线图、柱状图、散点图分别适合回答什么问题？
什么时候对数坐标合理，什么时候会误导？
相关散点图为什么不能自动支持因果结论？
交互图比静态图多了什么，也牺牲了什么？
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
- 图有标题但没有单位、样本期或来源
- 把类别代码当连续数值画趋势
- 通过截断 y 轴夸大微小变化
- 一页堆十张图却没有问题与结论
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
- 直方图的 bins 改变会影响什么？
- 为什么位置通常比面积更容易准确比较？
- 相关不等于因果的逻辑缺口是什么？
- 滚动窗口越长一定越好吗？
- 交互图如何保存可复现证据？
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
- 用 Plotly 增加悬停与筛选
- 为异常值添加来源追踪注释
- 用小多图比较四个资产而不是双 y 轴