Python数据分析实战工具箱：从清洗到可视化的完整指南

做了五年业务数据分析，电脑里换过不少工具，但最后每天都会打开的，还是那套Python 工具箱。从给运营部门写周报自动化，到清洗几百万行订单明细，再到用 sklearn 搭一个简单的流失预测模型，Python 这三个词基本覆盖了我的全部工作流。

这篇文章不是从零教写代码的入门册，而是把我每天都会用到的 Python 环境配置、NumPy/Pandas 数据处理套路、Matplotlib 出图细节、脚本参数化、并发请求这些实战经验，一次性整理出来。适合刚转行数据分析、想在自动化报表方向再进一步的同学，也适合已经在写 Python 但总觉得自己学得很零散、不成体系的人。

我会从一个老分析师的视角，把工具背后的取舍一起讲清楚：为什么用 DataFrame 而不用 Excel 表？为什么装完 Python 还要手动配置环境变量？为什么画图时横坐标会密集得像一团毛线？这些坑大多不是技术难点，只是不知道套路。下面直接进入正题。

1. 数据分析师的 Python 工具箱：先看清全貌再动手

1.1 为什么 Python 会成为数据分析的“第一语言”

很多人刚开始学数据分析时会纠结：SQL 也能取数，Excel 也能透视，R 和 SAS 在统计领域也很强，凭什么 Python 是标配？

我的理解是：Python 不是每个环节最强的工具，但它是整体链接最顺的工具。

• 取数阶段：你可以用 pandas 直连 MySQL、PostgreSQL，也可以直接 read_sql 把查询结果变成 DataFrame，后续操作和 Excel 透视表一样直觉。
• 清洗阶段：几万行数据在 Excel 里筛选还能勉强应付，几百万行就卡死了。pandas 处理百万级数据虽然不算飞快，但配合 groupby、merge、apply，写出来的逻辑比 VLOOKUP 清晰得多。
• 分析阶段：统计检验、回归、聚类、决策树都有现成库；从描述性统计过渡到机器学习模型，只需要把 df 拆成 X 和 y。
• 展示阶段：Matplotlib/Seaborn 画出的图能直接嵌入 Jupyter、自动化邮件、定时任务；不需要手动截图再贴到 PPT 里。
• 复用阶段：写好的脚本可以周一自动跑数、周五自动发送报表。同样的工作，Excel 每次都要重新点一遍。

Python 解决的核心问题不是“能算”，而是“把数据处理的整个过程变成可以被记录、被复用、被交付的项目代码”。这一点对商业分析师尤其重要——因为你的同事和客户真正需要的不是一段代码，而是“下周不用再手工导一次数据”的确定性。

1.2 我的工具箱里都有哪些模块

给数据分析和数据科学场景做工具选型，不能只盯着某一个库，而是要看整个数据链路。我习惯把 Python 工具箱分成六块：

这个结构并不是一开始就有的。我前两年用 Python 只会 pandas 和 matplotlib，遇到要写接口请求、要批处理几十个文件、要手动调整参数时特别狼狈。后来把工具链补齐，才发现数据分析师真正需要的不只是“调用函数”，而是一套能支撑项目从数据到结论的完整能力。

2. 搭好底座：Python 环境安装与开发工具配置

2.1 安装 Python 并配置环境变量：一次说清为什么

环境搭建这一步踩坑的人最多。很多人下载 Python 之后，打开命令行敲python，Windows 直接提示“不是内部或外部命令”，于是以为没装好，其实多半是环境变量的问题。

环境变量的作用很简单：告诉操作系统，当你输入python时，去哪个目录找python.exe。装 Python 时如果没有勾选Add Python to PATH，系统就找不到它。

我通常推荐 Windows 用户这样做：

1. 去 Python 官网下载安装包，选 3.8 及以上版本（不必追新，稳定优先）。
2. 双击安装时，务必勾选Add Python to PATH，然后选择Customize installation。
3. 确认 pip 被勾选，后续装第三方库都用它。
4. 安装完成后，打开终端执行python --version验证输出。
5. 再执行pip --version验证包管理器可用。

如果已经装好了但系统还是不认，可以手动把 Python 安装目录加到 PATH：在“系统属性 → 环境变量 → Path”里添加 Python 所在路径和Scripts子目录。Linux 下通常直接sudo apt install python3，但要注意默认命令可能是python3而不是python。

这里有个经验：尽量不要同时安装 Anaconda 和官方 Python，还要手动改 PATH。两者混用经常导致终端里输入python时不知道用的是哪个解释器，装包也容易装错环境。我现在的做法是：用官方 Python 加 venv 管理项目环境；如果你更习惯 Anaconda，那就单个环境走到底，不要混搭。

2.2 用 VSCode 配置 Python 开发环境

装完解释器后，IDE 我首推 VSCode。它免费、插件生态好、还能直接跑 Jupyter Notebook。

在 VSCode 里配 Python 环境的核心步骤只有三个：

1. 安装官方插件Python（里面自带 Pylance）。
2. 打开命令面板（Ctrl+Shift+P），执行Python: Select Interpreter，选择你刚安装的解释器。
3. 创建项目文件夹，新建.vscode/settings.json，可以用下面这个配置：

{ "python.defaultInterpreterPath": "D:/Python38/python.exe", "python.terminal.activateEnvironment": true, "terminal.integrated.defaultProfile.windows": "Command Prompt" }

初学者最常犯的错误是：在 VSCode 里能写代码，但运行时import numpy报 ModuleNotFoundError。原因几乎都是解释器选错了——你当前选的是全局 Python，但包装在了虚拟环境里。切换解释器后重新打开终端即可。

我还会安装以下 VSCode 插件：Jupyter（数据分析时写单元格很舒服）、GitLens（看历史改动）、Excel Viewer（快速预览 CSV）。这些不直接影响代码，但能让整个分析流程流畅很多。

2.3 虚拟环境与依赖管理：让项目之间不打架

数据分析项目依赖特别容易冲突。这个项目要 pandas 1.0，那个项目要 pandas 2.0，如果全装到全局环境里，过不了几周就会出现“装 A 库把 B 库升级了，结果 B 项目跑不了”的场面。

虚拟环境就是给每个项目一个独立空间。创建方式很简单：

python -m venv .venv

Windows 激活：

.venv\Scripts\activate

Mac/Linux 激活：

source .venv/bin/activate

激活后终端前面会出现(.venv)标识，这时候pip install的所有包都会装进当前项目，不会污染全局环境。

更规范的做法是把项目依赖写成requirements.txt：

pip freeze > requirements.txt

换一台电脑或让别人复现你的项目时，一条命令就能完成：

pip install -r requirements.txt

国内网络环境下，pip 默认源速度不稳定。我常用清华 PyPI 镜像加速：

pip install numpy pandas matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

除了加速，这还能解决一部分“安装超时”问题。但需要注意，使用镜像时要确认用的是可信源，不要随便把第三方源写进配置。

3. 核心武器库：NumPy、Pandas 和可视化实战

3.1 NumPy：矩阵运算与数组切片的底层逻辑

数据分析师大部分时间操作的是 pandas，但 pandas 底层是 NumPy。理解 NumPy 的数组和切片，能让你避开很多数据坑。

先看一个最基础的创建方式：

import numpy as np # 一维数组 a = np.array([1, 2, 3, 4, 5]) # 二维矩阵 m = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 全是0的矩阵 zeros = np.zeros((3, 4)) # 随机数 rng = np.random.default_rng(42) random_data = rng.normal(0, 1, size=(100, 5))

NumPy 和 Python 自带的 list 最大区别在于连续内存存储和向量化计算。list 里可以装不同类型的对象，但每个元素都是独立的 Python 对象，遍历时开销很大；NumPy 数组则是同类型数据的连续区块，能用 C 语言级别的循环去跑底层操作。这也解释了为什么数据量大后，同样一个求和操作，NumPy 比纯 Python for 循环快几十倍。

切片是另一个新手容易出问题的地方：

m2 = m[1:3, 0:2] # 取第2到3行、第1到2列 print(m2)

记住两个关键特性：左闭右开（索引 1:3 包含1和2，不包含3），切片返回视图（在多数情况下修改切片会同步影响原数组）。如果你不想改原数组，务必加.copy()。

我还遇到过一种容易翻车的情况：给数组赋值时，用m[m > 5]做条件筛选，以为拿到的是布尔值数组，实际返回的是满足条件的扁平数组。这种坑在数据分析里很常见，建议多看数组的.shape和.dtype，别只看 print 出来的内容。

3.2 Pandas：表格数据处理的地基

pandas 里的核心是 DataFrame，可以理解成 Python 世界里的一张“智能 Excel 表”。它不只能存数据，还能做筛选、聚合、连接、透视。

我常用的 pandas 操作，基本能覆盖日常 80% 的需求：

import pandas as pd # 从 CSV 读取 df = pd.read_csv("sales.csv", encoding="utf-8-sig") # 看数据基本信息 df.info() df.describe() df.head(10) # 按条件筛选 df_filtered = df[df["amount"] > 1000] # 行列切片：先列后行 df.loc[df["category"] == "电子", ["date", "amount"]] # 缺失值处理 df_clean = df.dropna(subset=["amount"]) df_filled = df["amount"].fillna(0) # 类型转换 df["amount"] = pd.to_numeric(df["amount"], errors="coerce") df["date"] = pd.to_datetime(df["date"]) # 分组聚合 summary = df.groupby("category").agg( total_amount=("amount", "sum"), order_count=("order_id", "count"), avg_amount=("amount", "mean") ).reset_index() # 透视表 pivot = df.pivot_table(index="category", columns="region", values="amount", aggfunc="sum")

新手最容易忽略的两点是：

• df["amount"]返回 Series，df[["amount"]]返回 DataFrame，虽然都是列选择，但后续行为不同。
• groupby(...).agg默认会把分组键变成索引，习惯性加上.reset_index()，否则后面做 merge 时经常对不上。

对于“筛选一模一样的重复行”，pandas 有duplicated和drop_duplicates。但要注意，drop_duplicates默认保留第一条，删除后面的重复项；如果希望保留最后一条，要加上keep="last"。这在处理“同一用户多次下单但只取最新状态”的业务场景里特别有用。

3.3 Matplotlib 与 Seaborn：让图表告别“横坐标太密集”

做数据分析，画图从来不是目的，而是为了发现问题。但 Matplotlib 默认参数经常把图搞得很丑，最典型的就是线图的横坐标日期太多，全部挤在一起，像一团乱麻。

解决办法通常有三个方向，可以组合使用：

1. 旋转刻度标签。
2. 设置刻度步长或最大刻度数量。
3. 按日期区间设置 locator 和 formatter。

示例代码：

import matplotlib.pyplot as plt import matplotlib.dates as mdates import pandas as pd # 假设 dates 是时间序列 df = pd.DataFrame({"date": pd.date_range("2023-01-01", periods=365), "value": range(365)}) plt.figure(figsize=(12, 5)) plt.plot(df["date"], df["value"]) ax = plt.gca() # 每隔3个月显示一个刻度 ax.xaxis.set_major_locator(mdates.MonthLocator(interval=3)) ax.xaxis.set_major_formatter(mdates.DateFormatter("%Y-%m")) plt.xticks(rotation=45) plt.title("销售额趋势") plt.tight_layout() plt.savefig("trend.png", dpi=200) plt.show()

如果是普通横坐标（比如几千个店铺名称），可以直接用MaxNLocator限制刻度数量，或者用plt.xticks(np.arange(0, len(x), step=50))手动跳着显示。

还有两个高频问题必须提前处理：

• 图表中文乱码。Windows 下我一般这样设置：

plt.rcParams["font.sans-serif"] = ["SimHei"] plt.rcParams["axes.unicode_minus"] = False

• 保存图片不清晰。plt.savefig默认 dpi 是 100，报告和 PPT 里我至少用dpi=200，配图质量会好很多。

Seaborn 则在统计图表上更省心。画分布、箱线图、热力图只需要一行：

import seaborn as sns sns.histplot(df["value"], bins=30, kde=True) sns.boxplot(x="category", y="amount", data=df) sns.heatmap(confusion_matrix, annot=True, cmap="Blues")

Seaborn 内部调用 Matplotlib，所以中文和刻度设置同样适用。

4. 自动化与效率提升：文件、函数、参数与并发

4.1 文件读写与路径处理：不要在脚本里写死地址

数据分析项目最常见的需求是：读一批 CSV、合并处理、输出结果。如果每次都在代码里硬编码路径，换个目录就要改代码。更稳妥的方案是用pathlib。

from pathlib import Path import pandas as pd data_dir = Path("./data") result_dir = Path("./result") result_dir.mkdir(parents=True, exist_ok=True) # 读取 data 目录下所有 csv 并合并 all_files = list(data_dir.glob("*.csv")) dfs = [pd.read_csv(f, encoding="utf-8") for f in all_files] merged = pd.concat(dfs, ignore_index=True) # 输出到结果目录 merged.to_csv(result_dir / "merged.csv", index=False, encoding="utf-8-sig")

注意写 Excel 文件时，to_excel依赖openpyxl，需要先pip install openpyxl。写 CSV 时建议index=False，避免把无意义的行号写进文件里。

文件操作最容易踩的坑是编码。Windows 默认记事本导出的 CSV 可能是ANSI（GBK），Python 默认按utf-8读会直接报错。我的经验是：先尝试encoding="utf-8-sig"，如果报错立刻换成encoding="gbk"，并提前在文件读取处加try/except，避免程序直接崩溃。

4.2 函数、类型转换与可变参数：让代码能复用

数据清洗脚本里如果全是重复代码，项目后期很难维护。把常用的处理逻辑封装成函数，是最值得做的一件事。

一个典型例子：读取多个 CSV 文件，合并后还要统一日期格式和金额类型。

import pandas as pd def load_and_clean(*paths, date_col="date", amount_col=None): """接收多个文件路径，合并并统一字段类型。""" frames = [] for p in paths: df = pd.read_csv(p, encoding="utf-8-sig") df[date_col] = pd.to_datetime(df[date_col]) if amount_col: df[amount_col] = pd.to_numeric(df[amount_col], errors="coerce") frames.append(df) return pd.concat(frames, ignore_index=True) df_merged = load_and_clean("a.csv", "b.csv", date_col="date", amount_col="amount")

这里*paths是可变位置参数，可以接收任意数量的文件路径；date_col、amount_col是关键字参数，有默认值。数据分析师的代码不一定需要多高深，但能把“重复三步”变成“调用一个函数”，就已经提升了很多效率。

类型转换是另一个高频场景。pandas 里如果某列混入了“数值 + 字符串”，df["amount"].astype(float)会报错，但pd.to_numeric(df["amount"], errors="coerce")可以把无法转换的内容变成 NaN，之后再决定填充还是丢弃。这个技巧我在清洗 Excel 手工台账时救过很多次。

4.3 argparse：给代码加上可调参数

很多数据分析脚本第一次是手工跑，后面要定时跑。定时任务没法交互式输入文件名，所以必须把参数从代码里抽出来。

用标准库argparse就可以实现：

import argparse parser = argparse.ArgumentParser(description="销售数据清洗与汇总") parser.add_argument("--input", required=True, help="输入文件路径") parser.add_argument("--output", default="result.csv", help="输出文件路径") parser.add_argument("--min_amount", type=float, default=0, help="金额下限阈值") args = parser.parse_args() print(args.input, args.output, args.min_amount)

运行方式变成：

python process_sales.py --input raw.csv --output result.csv --min_amount 100

这样脚本就能被 Windows 计划任务或 Linux crontab 调用。以前我在项目里最怕听见“你帮我把这个月的数跑一下”，因为每次都要手动改参数；用了 argparse 后，同事自己就能改参数跑批。

4.4 协程、线程池与 queue：批量请求不卡死的组合拳

数据分析师经常要从接口批量拉数据，比如按日期范围拉几百天的报表。如果写一个 for 循环一个个请求，网速和响应时间会让你怀疑人生。这时候就需要并发。

Python 里有两个常见思路：

• ThreadPoolExecutor：适合 IO 密集型任务（请求接口、读文件、下载图片），实现简单。
• asyncio + aiohttp：协程方案，并发效率更高，但代码理解成本也更高。

我的建议是先学ThreadPoolExecutor，它的可读性最好：

from concurrent.futures import ThreadPoolExecutor, as_completed import requests urls = [f"https://api.example.com/data?date={d}" for d in date_list] def fetch_one(url): resp = requests.get(url, timeout=10) resp.raise_for_status() return url, resp.json() results = [] with ThreadPoolExecutor(max_workers=8) as executor: futures = [executor.submit(fetch_one, url) for url in urls] for future in as_completed(futures): try: url, data = future.result() results.append((url, data)) except Exception as e: print(f"请求失败: {url}, {e}")

再看热词里提到的queue.Queue。它是线程安全的队列，多生产者多消费者场景下很好用。默认的get()是阻塞的：如果队列为空，线程会一直等。很多新手写完代码发现程序卡住了，就是因为get()没有设置超时。

import queue q = queue.Queue(maxsize=100) # 消费端 try: item = q.get(timeout=5) # 等5秒，没有就抛异常 except queue.Empty: print("队列为空")

还有一个经验：不要在线程里再嵌套一组线程。比如线程池任务里又新建一个 ThreadPoolExecutor，表面上没问题，但容易导致线程资源不断叠加、调度混乱，严重时会让程序僵死。我一般尽量把并发控制在同一层，如果确实需要更复杂的结构，换asyncio会更合适。

5. 从数据到洞察：一个完整的数据分析实操

前面讲了很多工具，这里用一个实际项目串起来：用 Python 做一次“模拟销售数据分析 + 简单策略回测”。这套流程适用于很多业务场景，核心思路是：准备数据 → 清洗筛选 → 计算指标 → 可视化 → 输出结论。

5.1 准备数据：用 NumPy 生成模拟数据

没有真实数据时，用随机数模拟是快速验证逻辑的好办法。我习惯用numpy.random.default_rng生成可复现的随机数。

import numpy as np import pandas as pd rng = np.random.default_rng(42) n = 500 dates = pd.date_range("2023-01-01", periods=n, freq="D") price = 100 + np.cumsum(rng.normal(0, 1, size=n)) df = pd.DataFrame({"date": dates, "price": price})

这里的price模拟了一段随机游走的价格序列。注意cumsum是累加求和，生成连续变化的时间序列比直接生成独立随机数更接近真实业务数据。

5.2 数据清洗与指标计算

接下来计算两类指标：一类是基础统计，另一类是策略相关指标。以移动平均线为例：

df["ma5"] = df["price"].rolling(5).mean() df["ma20"] = df["price"].rolling(20).mean() # 信号：短均线上穿长均线为持有，否则空仓 df["signal"] = np.where(df["ma5"] > df["ma20"], 1, 0) # 策略每日收益 = 信号 * 当日收益率 df["return"] = df["price"].pct_change() df["strategy_return"] = df["signal"].shift(1) * df["return"] # 累计净值 df["strategy_net"] = (1 + df["strategy_return"]).cumprod() df["benchmark_net"] = (1 + df["return"]).cumprod()

这里需要特别强调shift(1)：如果用当天的信号去乘当天的收益率，就是用了未来数据，结果会好得离谱。真实回测里必须把信号后移一天，模拟“昨天收盘后确定信号，今天开盘按信号交易”的逻辑。这个细节是整个回测流程里最容易犯的错误，没有之一。

然后再看一组通用指标：

total_return = df["strategy_net"].iloc[-1] - 1 annual_vol = df["strategy_return"].std() * np.sqrt(252) # 假设一年252个交易日 max_drawdown = (df["strategy_net"] / df["strategy_net"].cummax() - 1).min()

最大回撤的计算看起来简单，但逻辑很重要：用当前净值比历史最高净值，算出从最高点到最低点的最大跌幅。这在任何业务指标监控里都能通用，不只是金融场景。

5.3 可视化：净值曲线与信号图

画图时把日期作为横坐标，会碰到前面提到的密集横轴问题。这里用日期定位器解决：

import matplotlib.pyplot as plt import matplotlib.dates as mdates plt.figure(figsize=(12, 6)) plt.plot(df["date"], df["benchmark_net"], label="标的", linewidth=1.5) plt.plot(df["date"], df["strategy_net"], label="策略", linewidth=1.5) ax = plt.gca() ax.xaxis.set_major_locator(mdates.MonthLocator(interval=2)) ax.xaxis.set_major_formatter(mdates.DateFormatter("%Y-%m")) plt.xticks(rotation=45) plt.legend() plt.grid(alpha=0.3) plt.tight_layout() plt.savefig("backtest_result.png", dpi=200) plt.show()

从图中能明显看到策略净值和基准净值的差异，再结合最大回撤、年化波动等指标，就能形成一个完整结论。分析师的日常工作并不是“画图好看”，而是让这张图能支撑一个清晰的数据判断。

5.4 输出文件与结论

最后把处理结果落地：

df.to_csv("analysis_result.csv", index=False, encoding="utf-8-sig") summary = { "策略累计收益": total_return, "基准累计收益": df["benchmark_net"].iloc[-1] - 1, "策略最大回撤": max_drawdown, "年化波动率": annual_vol, } print(summary)

输出结果后，我一般还会生成一个summary.xlsx，把关键指标、图表文件路径、生成时间放在一个表里，方便后续汇报时直接引用。这比让别人去翻代码找结论要高效得多。

6. 踩坑与排查：数据分析师的日常自救指南

6.1 安装库失败：不全是网络问题

pip install numpy偶尔会报错，常见原因和对应处理方式如下：

还有很多人搜过python download cv2，直接pip install opencv-python即可。如果遇到安装过慢，同样用镜像源解决。不要盲目指定太新的版本号，有时和 numpy/pandas 版本会冲突。我先装 numpy，再装 pandas，最后装 opencv，顺序能减少很多版本问题。

6.2 中文乱码与编码问题

三种常见乱码场景：

• 控制台中文输出乱码：Windows 上执行chcp 65001切到 UTF-8 代码页，或在文件开头加# -*- coding: utf-8 -*-。
• CSV 打开乱码：写入文件时用encoding="utf-8-sig"，这样 Excel 打开时能正常识别 UTF-8。
• Matplotlib 中文乱码：设置plt.rcParams["font.sans-serif"] = ["SimHei"]，同时记得axes.unicode_minus=False。

更保险的方式是，在读取外部文件时先不指定编码，用 Python 的chardet或简单 try/except 判断：

try: df = pd.read_csv(path, encoding="utf-8-sig") except UnicodeDecodeError: df = pd.read_csv(path, encoding="gbk")

6.3 类型转换与隐式陷阱

pandas 的类型问题最能藏“脏数据”。常见情况包括：

• Excel 某列看起来是数字，读进来却是object。此时df["col"].sum()会报错，最好直接pd.to_numeric(df["col"], errors="coerce")。
• 日期列混入2023-01-01和2023/01/01，pd.to_datetime大部分能解析，但如果遇到不规则格式，先errors="coerce"把解析失败的置为 NaN，再检查异常行。
• 布尔索引赋值容易触发SettingWithCopyWarning。有人写了df_filtered = df[df["a"] > 0]，然后修改df_filtered["b"]，结果原数据可能变了也可能没变。遇到这种警告，用.copy()显式复制：

df_filtered = df[df["a"] > 0].copy()

6.4 矩阵、切片、队列：三个边界问题

NumPy 切片边界：索引1:3不包含 3，想取最后一行用-1，想取每个第 2 个元素用::2。这些规则和普通 Python 列表一致，但二维切片容易忘记“先行后列”。

数组切片视图问题：

sub = arr[1:3] sub[0] = 99 # 原数组也会变

解决方案是在切片时加.copy()。数据分析中如果分不清哪些操作返回视图、哪些返回副本，建议养成“改前面先复制”的习惯，避免原数据被意外污染。

queue 阻塞：q.get()没设置 timeout，队列又有消费者线程存在，线程会一直等待，程序像卡死一样。排查时可以手动加timeout=5，看是不是每次都在get那里超时。

6.5 线程嵌套与并发资源耗尽

热词里有“python 线程嵌套线程”，这是个危险操作。线程内再创建线程，会成倍增加上下文切换成本，程序没慢多少，反而资源被白白吃满。

我的原则是：

• 并发只保留一层。用线程池（ThreadPoolExecutor）统一管理。
• 线程任务里不要再提交其他线程池。
• 如果确有异步嵌套需求，改用asyncio协程。

在写批量接口请求时，控制并发度为 8~16 通常比较合理。太大容易触发对方限流，太小浪费等待时间。如果请求总是超时，可以先调timeout，再降并发，而不是盲目加线程数。

最后分享一点个人体会。工具箱这个东西，不是从第一天就配得面面俱到的。我一开始也只把 pandas 和 matplotlib 当作核心，后来遇到批量文件、接口请求、参数化脚本、并发下载，才一点点往里面加东西。如果你刚接触数据分析，不必急着把每个库都学会，先把手头项目需要用到的链路打通，比如从 CSV 到 DataFrame、从清洗到出图，然后遇到问题再补工具。真正让工具箱变得好用的，是你踩过的坑和写过的那些“临时函数”。每次改完一个 bug，就往自己的工具函数库里塞一段注释，日子久了，你也会有一套属于自己的 Python 工具箱。