学习指南：数据分析与可视化怎么学最不容易学乱
如果你来到 02 数据分析与可视化 后觉得库很多、API 很碎，先不要急着背方法名。这一阶段真正要建立的是数据流意识。
本阶段总原则
数据分析第一遍只抓一条主线：数据读进来，先理解字段，再清洗整理，然后统计分析，最后用图表表达结论。
推荐学习顺序
第一轮先做纯 Python 数据处理预热，体会为什么需要专业工具。
第二轮学 NumPy，重点放在数组、shape、索引、广播、向量化、矩阵运算和基础统计。不要一开始追求所有函数都记住。
第三轮学 Pandas，重点放在 DataFrame、读写文件、选择过滤、缺失值、分组聚合、合并和时间序列。
第四轮学可视化，先学如何选图，再学美化。图表应该服务于问题，不是为了好看而画。
第五轮做 EDA 项目，把读取、清洗、分析、可视化和结论写作串成完整报告。
建议学习节奏
| 内容类型 | 建议时间 | 学习目标 |
|---|---|---|
| NumPy 基础 | 1～2 小时 | 理解数组、shape 和向量化 |
| Pandas 处理页 | 2～4 小时 | 能筛选、清洗、聚合和合并 |
| 可视化页 | 1～3 小时 | 能选对图并解释图表 |
| 项目页 | 6～12 小时 | 完成一份可读的数据分析报告 |
阶段项目路线
第一个项目建议做单数据集 EDA，例如 Titanic、房价、电影评分、电商订单或公开运营数据。你需要完成字段理解、缺失值处理、统计摘要、关键图表和结论。
第二个项目 可以做多来源数据分析，把多个 CSV、网页数据或数据库表合并起来，练习真实工作中更常见的数据整理过程。
常见卡点
最常见的卡点是“API 太多记不住”。这很正常。你只需要先记住常用动作：读、看、选、筛、改、分组、合并、画图。其他方法可以随用随查。
第二个卡点是“不知道图表说明什么”。每画一张图之前，先写下它要回答的问题，比如“哪个类别最多”“价格和面积是否相关”“异常值在哪里”。
第三个卡点是清洗数据时没有记录。建议你在 Notebook 中保留每一步处理原因，否则后面很难复盘。
过关标准
学完本阶段后，你应该能拿到一个 CSV 文件，独立完成读取、清洗、探索、可视化和结论整理。
如果你能写出一份包含至少三张关键图表、一个数据清洗过程和三条明确结论的数据分析报告，就可以进入 AI 数学和机器学习阶段。