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。
分离步骤，记录来源
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。
跑完，才谈得上复现
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。
这条规则的价值在于区分两种状态：“我跑过”和“现在能跑”。前者是历史，后者才是可复现性。
先确定比较关系，再选图
Visualize Data 的第一步不是选图，而是定义分析问题和一句话结论：这张图要回答什么，读者看完应该知道什么，最终出现在哪个载体上。
常见的选择线索是：时间变化用折线，类别比较用条形，分布用直方图或箱线图，两个数值变量的关系用散点。
但这些是线索，不是机械映射表。只有两三个时间点，不必硬画一条“趋势”；只有几个聚合点，也不该硬凑散点规律。图表的类型要服务于比较关系，而不是反过来。
给每张图一份小契约
原文要求在写绘图代码之前，先写一份紧凑的图表契约，包含：
- 分析问题与结论
- 图表族与具体变体
- 数据是否足够：预期行数、时间点数量、散点观测数与粒度、日期范围，以及数据过稀时的退路
- 交付载体与对应的图表类型
- 配色策略与非颜色区分方案
- 输出尺寸、最终容器与质检表面
这份契约把“这张图好不好看”换成了“这张图能不能支撑这个结论”。
单位、分母、时间、人群、比较基线和样本量，都属于契约的一部分。如果这些没定，颜色和标注的讨论就是本末倒置。
好看，不能掩盖不可靠
原文对诚实表达给出了一些具体约束：
- 绝对量条形图通常从零开始；专门看差值的图可以聚焦区间，但要明示尺度。
- 多系列除了颜色，还应有直接标签、线型或标记区分。
- 坐标轴、标签与限制说明，都是证据的一部分。
- 标题不应夸大数据能支持的结论。
最后一步是在读者真正打开的页面里检查，而不是只看绘图窗口里的缩略图。手机卡片、报告内嵌图、看板组件和幻灯片，对文字大小、留白和对比度的要求完全不同。
两者为什么必须一起看
只做复现，不做表达：结果可查，但读者可能被图表误导。 只做表达，不做复现：图很好看，但没人能确认数字怎么来的。
原文在交接上的要求也体现了这一点：Notebook 的结论必须与执行输出一致；图表的结论必须与 Notebook 的计算一致。任何一环断开，整条证据链就失效了。
设计自己的分析产物时
三个可以立刻用的检查：
- 把 Notebook 从干净内核重跑一遍，还能得到同样的关键数字吗？
- 每张图能不能用一句话说清“它在回答什么问题”？
- 把图放到最终页面后，坐标轴、单位和样本量还读得清吗？
计算链负责“这数怎么来”，表达链负责“这图能说明什么”。图表质量不是修饰，而是分析可信度的最后一公里。