第一章：侦探社成立！第一个商业谜题

<story> 李敏盯着小卖部窗口那锅渐渐见底的柠檬水，眉头皱得像被揉过的纸团。连续三周了，每天下午三点钟，那锅金黄的柠檬水总是卖得飞快，但上周开始，剩下的越来越多。她掏出手机，拍下今天剩下的半锅，琥珀色的液体在阳光下显得格外冷清。小卖部老板老陈无精打采地坐在小板凳上，连最爱的哼歌都停了。李敏心里涌起一股侦探般的冲动——这背后一定有故事。

午休铃声一响，她就冲进食堂，把手机拍在餐桌中央。"王浩，张悦，你们看这个！"屏幕上的柠檬水摊像一件被遗弃的艺术品。"小卖部的柠檬水销量连续下滑，我觉得有问题。"

王浩推了推那副圆眼镜，逻辑思维立刻启动："下滑？有数据/Data支持吗？不能只凭感觉。"

"我偷偷记了三周的销量，"李敏翻开一个破旧的线圈本，纸页上爬满了各种颜色的字迹，"但都是手写的，乱得像蜘蛛网。有些日期只写了'9/1'，有些销量写成'四十五'，天气更是随便画个太阳或云朵。"

张悦眼睛一亮，辩论队队长的气质瞬间显现："我们可以成立一个侦探社！专门解决这种商业谜题。我负责对外沟通和报告撰写，王浩负责逻辑分析和验证，李敏，你负责数据处理和挖掘。就叫‘数据侦探社/Data Detective Agency’如何？"

三人一拍即合，筷子碰在一起发出清脆的响声。他们的第一个委托，就是找出柠檬水销量下滑的真正原因。老陈听说学生们想帮忙，皱纹里都绽开了笑纹，立刻掏出一叠手写记录："这就是这三周的销售笔记，日期、销量、天气，我都随手记在烟盒、收据条上。你们看看能不能找出门道。"

李敏接过那叠纸，上面的字迹龙飞凤舞：有的用铅笔潦草得几乎看不清，有的用水笔晕开了墨点，还有的日期被咖啡渍糊成一片。她深吸一口气："我们必须把这些原始数据/Raw Data变成电子表格/Spreadsheet，才能开始系统分析/Systematic Analysis。"

王浩点头："数据分析/Data Analysis不是魔法，它有一套科学流程。我昨晚查了资料，标准模型是六步循环：提问/Question、收集/Collect、处理/Clean、分析/Analyze、可视化/Visualize、结论/Conclude。我们一步步来，像侦探一样搜集线索。"

张悦晃了晃手机："我已经设计了侦探社的logo，要不要现在就去图书馆？那里电脑免费，还有插座。"

于是，三人抱着老陈的"证据"冲向图书馆。角落的电脑嗡嗡作响，屏幕泛着岁月的黄光。李敏打开Excel（图书馆电脑只有老版本），新建了一个空白工作簿/Workbook。她看着闪烁的光标，突然意识到：这是他们数据侦探生涯的第一页。

"首先，"王浩推了推眼镜，声音压低，"我们要明确核心问题。老陈说销量下滑，但下滑了多少？是每天均匀下滑，还是集中在某几天？有没有可能只是季节变化？好问题必须具体、可测量。"

张悦接话："而且，我们要考虑所有可能因素。天气肯定影响，但还有没有其他？比如学校活动、体育比赛、甚至隔壁班流行歌曲的变化？"

李敏点头，手指悬在键盘上："那我们就从最基础的开始——把这些纸上的信息，变成干净的数据集/Dataset。"

她开始输入第一行：A1单元格输入"日期"，B1输入"销量"，C1输入"天气"。当指尖敲下最后一个字母时，窗外正好掠过一群鸽子，翅膀扑棱棱地响。侦探社的第一个案件，正式立案。 </story>

<tutorial>

什么是数据/Data？

在动手之前，我们必须理解这个世界的基石：数据/Data。简单说，数据是描述事物的符号记录。它可以是数字（如销量45）、文字（如"晴"）、图像（如柠檬水照片）、声音（如顾客反馈录音）。在柠檬水案例中，每一条销售记录都是一个"数据点/Data Point"，包含三个属性/Attribute：日期/Date、销量/Quantity、天气/Weather。例如，`2023-08-07, 50, 晴`就是一条结构化数据/Structured Data——它整齐地排列在表格的列和行中。

数据分为多种类型：

• **数值型/Numerical**：可计算的数字，如销量（整数）或温度（小数）。可进一步分连续型（如温度）和离散型（如销量）。
• **分类型/Categorical**：表示类别，如天气（晴、雨、多云）。有顺序（如天气 severity）或无顺序（如颜色）。
• **时间型/DateTime**：表示时间点或时段，如日期。可进行时间序列分析。

在Excel中，数据存储在单元格/Cell中。单元格是电子表格的基本单位，由列标（A, B, C...）和行号（1,2,3...）定位。例如，B2单元格存储第一天的销量。一组单元格组成区域/Range，如A2:C19是全部数据区域。

关键概念：数据本身没有意义，意义来自上下文/Context。数字"50"在销量列表示50杯柠檬水，在温度列可能表示50°C——完全不同的故事。因此，始终要问：这个数据是怎么来的？它测量什么？

数据分析的六步循环/Analysis Cycle

王浩提到的六步循环是数据分析的经典框架，源自CRISP-DM（跨行业数据挖掘标准流程），但简化后更易理解。它不是一个死板的流水线，而是一个迭代循环：结论可能引发新问题，重新开始。

用Mermaid流程图展示这个动态循环：

```mermaid graph LR Q[提问/Question] --> C1[收集/Collect] C1 --> C2[处理/Clean] C2 --> A[分析/Analyze] A --> V[可视化/Visualize] V --> Con[结论/Conclude] Con --> Q ```

现在，我们将这六步应用到柠檬水案件，每一步都配以具体操作和思考。

步骤1：提问/Question —— 定义

<story> 图书馆角落那台老旧的台式机发出类似哮喘的嗡嗡声，屏幕泛着黄绿色的光，像一块蒙尘的旧玻璃。李敏把老陈那叠皱巴巴的“证据”摊在桌上，烟盒、收据条、作业本撕下的纸片，每一张都像被遗忘的密码。王浩推了推眼镜，镜片后的眼睛像扫描仪：“我们得先给这些碎片一个家——一个结构化的表格。”

张悦已经掏出手机，搜索“免费电子表格软件”：“学校电脑只有Excel 2003，功能有限。我建议用Google Sheets，免费、在线、还能多人协作，像我们的侦探社一样。”她说话时，手指在空中划出一个合作的手势，“但图书馆网速像蜗牛，还是先用这老古董吧。”

李敏深吸一口气，双击Excel图标。程序加载缓慢，她趁机观察两位搭档。王浩的笔记本上已经画满流程图，逻辑链条一丝不苟；张悦的手机备忘录里列满了“报告要点”和“客户沟通话术”。她突然意识到，成立侦探社不仅是解决柠檬水谜题，更是他们三人能力的第一次合体实验。

“看这个！”李敏举起一张烟盒纸，上面的字迹被汗水晕开，“‘8月15日，销量：三十多，天气：☀️’。‘三十多’是多少？三十几？天气只画了个太阳，但那天下午明明下了十分钟太阳雨。”

王浩接过纸，眉头紧锁：“这就是原始数据/Raw Data的典型问题：不一致、不精确、不完整。如果我们直接输入‘三十多’，分析时就会产生误差/Error。我们必须先定义规则——比如，所有销量必须是整数，天气必须归入预设类别。”

“预设类别？”张悦凑过来，“晴、雨、多云、阴？但烟盒上还有‘☁️🌧️’这种组合符号。”

“所以我们需要数据清洗/Data Cleaning，”王浩用笔在纸上画出一个循环箭头，“这是六步循环中承上启下的关键。收集来的数据很少完美，就像侦探收到的匿名信，可能有谎言、遗漏或故意混淆。清洗就是剔除干扰，还原真相。”

李敏已经开始在Excel里建立框架。A列输入“日期”，B列“销量”，C列“天气”。她将烟盒纸上的信息逐条录入，遇到模糊处便标注红色高亮。例如，一条记录写“销量：不少”，她在旁边注释：“需估算或核实”。另一条天气写“闷热”，她思考：“这属于‘晴’还是单独分类？”

“我有个想法，”张悦眼睛发亮，“我们可以设计一个数据字典/Data Dictionary，定义每个字段的允许值。比如天气：1=晴，2=多云，3=雨，4=阴，5=其他（需备注）。这样未来任何数据输入都有标准。”

“聪明！”王浩点头，“这能确保一致性/Consistency。但老陈的手写记录已经固定，我们只能逆向工程。我建议先全部输入，再统一清洗。”

他们分工：李敏负责录入和初步清洗，王浩设计分析逻辑，张悦构思最终呈现。但现实很快给了他们当头一棒——图书馆电脑的Excel 2003没有“筛选”按钮的直观图标，函数库也陈旧不堪。李敏尝试用`VLOOKUP`统一天气术语，却总报错。

“换个思路，”王浩说，“我们用最原始的方法：排序和手动替换。但我们必须记录每一步操作，形成数据日志/Data Log。这是可重复性/Reproducibility的保证——如果老陈质疑结果，我们能回溯每一步。”

李敏按照王浩的建议，先完成全部数据录入。三周共21天，但周三的记录全部缺失。她数了数，只有18条有效数据。“周三怎么了？”她喃喃。

“可能小卖部周三休息？或者老陈周三去进货？”张悦猜测。

“也可能是记录者周三没来学校，”王浩冷静分析，“但我们必须确认。数据缺失不是小事，它可能引入偏差/Bias。”

输入完毕，表格初具雏形。李敏选中A1:C1，点击“格式”为标题加粗。她移动鼠标，光标在单元格间跳跃，突然感到一种奇异的掌控感——这些抽象的格子，正在吞噬混沌的纸质碎片，孕育秩序。

“现在，我们执行第一步分析：排序。”王浩说，“找出销量最高的一天，看能否发现模式。”

李敏选中数据区域（包括标题），点击“数据”→“排序”。对话框弹出，她设置主要关键字为“销量”，排序依据“数值”，次序“降序”。点击“确定”的瞬间，表格重新排列，最高销量50杯跃居顶端，日期是8月11日，周五，天气晴。

“周五销量最高？”张悦若有所思，“会不会因为学生周末前更愿意消费？”

“但第二高是周一，45杯，天气多云。”李敏指着屏幕，“所以不完全是周末效应。我们需要更多分析。”

王浩却盯着周三的空行：“缺失数据才是当前最大谜题。如果周三销量特别高或特别低，我们的平均值/Mean会被扭曲。假设周三真实销量是60杯（高于平均），而我们现在用18天计算平均，会低估整体水平。”

“或者周三销量是0，因为小卖部关门？”张悦补充。

“这就是缺失机制/Missing Mechanism的问题，”王浩在白板上画了三个框：“完全随机缺失（MCAR）：比如记录者随机忘记周三；随机缺失（MAR）：比如只在雨天缺失（因为记录者雨天不出门）；非随机缺失（MNAR）：比如只在销量高时缺失（因为老陈忙忘了）。每种机制对分析的影响不同。”

李敏听得入神，手指无意识地在桌面画着表格：“我们怎么判断是哪种？”

“外部信息，”王浩说，“问老陈周三是否营业？查看学校日历，周三是否有特殊活动？甚至可以去小卖部实地观察。数据分析不是闭门造车，要结合领域知识/Domain Knowledge。”

张悦已经打开手机日历：“我查了，这三周周三都是正常上课日，没有全校活动。所以很可能只是记录遗漏。但我们需要证据。”

“我们可以用插补法/Imputation，”李敏尝试应用所学，“比如用前后周三的平均销量，或用所有周销量的整体趋势估算。但插补有风险，可能引入虚假模式。”

“所以结论必须谨慎，”王浩总结，“目前我们只能基于18天数据说：在现有数据中，周五销量最高，晴天销量较高。但周三缺失使任何趋势判断都不可靠。”

三人陷入沉思。窗外，夕阳把图书馆书架拉出长长的影子。李敏突然想起什么：“老陈说柠檬水是自己熬的，最近换了新配方？或者柠檬不新鲜了？这些我们没记录。”

“这就是提问/Question阶段的重要性，”王浩说，“我们最初的问题太宽泛：‘销量为什么下滑？’应该拆解：下滑是绝对数量还是百分比？与哪些因素相关？哪些因素我们可测量？现在，我们意识到需要更多变量：成本、价格、竞争对手活动、顾客反馈。”

张悦眼睛一亮：“我明天去采访几个学生！问他们为什么不买柠檬水了。定性数据/Qualitative Data能补充定量数据/Quantitative Data的不足。”

“但注意样本偏差/Sample Bias，”王浩提醒，“你采访的可能只是朋友，不代表全体学生。”

“我们可以设计简单问卷，在午休时随机拦截。”张悦已经在构思。

李敏看着屏幕上那18行数据，感到它们像18块拼图，缺了周三的三块，也缺了太多其他碎片。但正是这种不完整，让侦探工作有了意义。她点击“保存”，文件名为“柠檬水销售_原始数据_v1”。版本控制/Version Control——她隐约知道，这是专业性的开始。

“我们明天继续，”她说，“今天先完成数字化和基础清洗。至少，我们有了可分析的表格。”

离开图书馆时，夜色已深。校园安静，只有路灯昏黄。三人走在石板路上，脚步声清脆。

“今天学到了，”李敏说，“数据不是魔法，是劳动。是面对烟盒纸时的耐心，是面对缺失值时的诚实。”

王浩点头：“六步循环不是线性，而是螺旋。我们提问，收集，清洗，分析，可视化，得出结论，但结论会引发新问题——比如周三去哪了？——然后重新开始。侦探社的每个案件，都是一次循环上升。”

张悦笑着挽住两人的手臂：“而且我们发现了自己的短板。我太关注呈现，忽略数据质量；王浩太爱流程，忽略灵活性；李敏，你录入时发现天气记录混乱，立刻想标准化，这是对的，但应该先和王浩讨论分析目标再决定清洗规则。我们得磨合。”

月光透过梧桐叶，洒下斑驳光点。李敏想，这第一晚，他们没抓住真凶，却抓住了彼此。数据侦探社的成立，或许不是为了破解世界之谜，而是学会在混沌中建造秩序，在缺失中寻找线索，在三人同频的呼吸里，听见逻辑与直觉的合奏。

她回头看了一眼图书馆的窗户，那台老电脑的屏幕可能还亮着，像一只不眠的眼睛，注视着少年侦探们刚刚启程的旅程。 </story>

<tutorial>

什么是数据/Data？（深化）

数据是信息的载体，但并非所有记录都是“好数据”。在柠檬水案例中，老陈的手写笔记是原始数据/Raw Data——未经加工、充满噪声/Noise（如模糊字迹）、不一致/Inconsistency（如天气符号多样）、缺失/Missingness（如周三空白）。当我们把这些输入Excel，我们是在进行数据数字化/Data Digitization，将模拟信号转为数字格式。

数据质量/Data Quality决定分析上限。常见问题：

• **准确性/Accuracy**：数据是否反映真实？如销量“三十多”应估算为35还是38？
• **完整性/Completeness**：是否有缺失？周三缺失是否关键？
• **一致性/Consistency**：相同概念是否统一表达？如天气“阴”与“阴天”是否合并？
• **时效性/Timeliness**：数据是否过时？三周数据是否足够判断趋势？
• **唯一性/Uniqueness**：是否有重复记录？如同一天录两次。

在Excel中，每个单元格/Cell存储一个数据点/Data Point。单元格有类型：文本/Text（如“晴”）、数值/Numeric（如50）、日期/Date、布尔/Boolean（真/假）。类型错误会导致计算失败，如将“三十”作为文本无法求和。因此，清洗时需统一类型。

数据上下文/Context是灵魂。数字50在销量列是50杯，在温度列是50°C，在价格列是50元——意义天壤之别。永远记录数据的元数据/Metadata：谁收集、何时、如何测量、单位是什么。例如，销量单位是“杯”，天气是“每日下午3点观测”。

数据分析的六步循环/Analysis Cycle（详解）

六步循环是侦探工作的节奏。我们用柠檬水案例逐层解剖：

步骤1：提问/Question —— 定义谜题

好问题是一半答案。模糊问题如“销量为什么下滑？”需拆解为可操作子问题：

• 下滑幅度：总销量减少X%？日均减少Y杯？
• 时间模式：是持续下滑？还是特定日子骤降？
• 关联因素：天气、星期几、学校活动、竞争对手？
• 业务影响：利润损失多少？是否需紧急干预？

提问技巧：

• **具体化**：将“下滑”定义为“相比第一周，第三周日均销量下降20%以上”。
• **可测量**：确保每个问题有数据对应。如“天气影响？”需有天气数据。
• **优先级**：哪些问题最关键？老陈最急的是什么？可能是“下周如何提升销量”，而非历史归因。

步骤2：收集/Collect —— 搜集线索

收集不仅是获取数据，更是评估数据源/Data Source的可靠性。老陈的手写记录是一手数据/Primary Data，直接来自业务，但质量差。我们还可考虑：

• **二手数据/Secondary Data**：学校食堂销售数据（如有）、天气预报历史记录、本地活动日历。
• **内部数据/Internal Data**：老陈的进货记录、成本数据。
• **外部数据/External Data**：社交媒体上学生讨论、竞争对手（如奶茶店）促销信息。

收集原则：

• **相关性**：数据是否可能回答问题？如收集“学生身高”对销量分析无用。
• **覆盖度**：时间跨度是否足够？三周可能太短，需至少一个学期。
• **伦理**：学生访谈需知情同意，保护隐私。

步骤3：处理/Clean —— 整理线索

这是最耗时步骤，常占项目60-70%时间。目标：将原始数据转为干净数据集/Clean Dataset， ready for analysis.

清洗任务清单： 1. 处理缺失值：

• 识别：Excel中使用`COUNTBLANK`函数统计每列空白。
• 决策：删除（如缺失关键字段）、插补（如用相邻日平均值）、标记（新增“是否缺失”列）。
• 周三缺失：若仅周三缺失，可能系统偏差，需重点分析。可尝试：用前两周周三平均销量插补，但注明这是估计。

2. 统一格式：

• 日期：统一为`YYYY-MM-DD`格式，避免“8/1”与“8月1日”混用。
• 天气：映射到标准集：晴、多云、雨、阴、雪（如有）。使用`查找替换`或`VLOOKUP`。
• 销量：文本转数值，去除“多”“约”等词，四舍五入。

3. 处理异常值：

• 识别：排序查看极值；计算标准差，超过±3倍标准差可能异常。
• 判断：是真实事件（如某天团购50杯）还是错误（如“500”实为“50”）？
• 处理：核实后保留或修正。如无法核实，可保留但注明，或在分析中做敏感性测试（比较包含/不包含该值的结果）。

4. 去重与验证：

• 检查重复日期：使用`条件格式`标记重复项。
• 逻辑验证：销量不能为负；天气与日期矛盾（如1月暴雨可能但不常见）。

清洗文档化：记录所有修改，形成**数据清洗日志/Data Clea