算得能复现，图才有说服力

Wed, 14 Oct 2026 00:00:00 +0000

同一张图，换个人重跑就变了；同一组数据，换个坐标轴又像另一个故事。Data Agent 的可信度，常常就在这些细节里掉下来。

Data Analytics Skills 把这段工作分成两个 Skill：Jupyter Notebooks 让计算能复现，Visualize Data 让表达不误导。前者负责“这数怎么来”，后者负责“这图能说明什么”。

Notebook 不是代码草稿堆

原文要求先锁定 Notebook 的模式和范围：它是分析报告、实验日志、诊断记录、质量检查、市场估算、模型探索，还是配套产物。读者是谁、支持什么决定、预期交接什么，都要先明确。

分析型 Notebook 的默认结构是：

## tl;dr
## Context & Methods
## Data
## Results
## Takeaways

关键约束是：tl;dr 和 takeaways 要在看过执行输出之后再写。摘要里要出现具体的观察值、可见的模式、行数或图表，而不是事先的假设。当假设影响正确性时，还要在 Context & Methods 下加一节 Key Assumptions。

这个顺序和很多人的习惯相反。常见做法是先写结论，再跑数验证；结果是结论和实际输出之间悄悄产生了偏差，而读者看不出偏差在哪里。

原文要求把环境准备、导入、参数、数据加载、数据准备、计算、可视化和解读分开。如果同时使用 SQL 和 Python，复杂 SQL 应保留在 SQL 单元或独立查询文件中，而不是塞进 Python 长字符串。

代码单元要短、要单一职责：一个单元做一件事，前面配一句说明目的、假设和预期结果的 Markdown。多个表格或图表应拆到不同单元，而不是从一个单元里倾倒出所有输出。

对于支撑分析的每个已执行结果，原文要求记录来源：查询链接、请求 ID、源路径、看板链接、提取名称或其他来源产物。重查询要有过滤和边界，不要让 Notebook 变成对实时源的广泛扫描。

完成条件不是文件能打开，而是从头到尾成功执行。原文给出的命令是：

python -m jupyter nbconvert --execute --to notebook --inplace path/to/notebook.ipynb

如果受数据权限、依赖、内核或凭证限制无法执行，应明确说明，并给出在本地验证所需的确切命令、缺失依赖、凭证、数据访问或环境步骤。不能把旧缓存当成这次运行的证明。