數據科學初探：用 pandas、matplotlib、scikit-learn 讀懂 AI 寫的分析程式

九成的 AI Vibe Coding 案子都是從「幫我分析這份資料」開始的。pandas、matplotlib、scikit-learn 是這類任務背後最常出現的三個套件，AI 會很樂意幫你把程式寫出來，但你要能讀懂它在做什麼，才有辦法指揮 AI 修改、擴充，甚至在它犯錯的時候抓出來。

這篇文章會依序帶你看過三個套件各自負責什麼、資料清洗為什麼是你的責任而不是 AI 的，最後用三道遞進題（讀懂、改寫、抓錯）練習你剛學到的東西，其中「抓錯」那一題專門練習數據科學裡最難發現的問題：程式能跑、圖表能畫、模型能訓練，但結果是假的。

為什麼 Vibe Coder 需要懂數據科學基礎

10-1　pandas：資料整理的瑞士刀

pandas 是數據分析的標準工具（pip install pandas）。核心資料結構是 DataFrame，你可以把它想成「Python 裡的 Excel 工作表」。

import pandas as pd

# 讀取 CSV
df = pd.read_csv("scores.csv", encoding="utf-8")

# 查看資料
df.head(5)          # 前五行
df.shape            # （行數，欄位數）
df.dtypes           # 每欄的資料型別
df.describe()       # 統計摘要（mean、std、min、max）

# 篩選
passed = df[df["score"] >= 60]
alice  = df[df["name"] == "Alice"]

# 選取欄位
names  = df["name"]              # 單欄（Series）
subset = df[["name", "score"]]   # 多欄（DataFrame）

# 排序
df_sorted = df.sort_values("score", ascending=False)

# 分組統計
df.groupby("class")["score"].mean()   # 各班平均分

# 新增計算欄位（用英文代碼避免中文字面值，正式專案常見做法）
df["grade"] = df["score"].apply(
    lambda x: "A" if x >= 90 else ("B" if x >= 60 else "C")
)  # 90 分以上為 A；60 到 89 分為 B；其餘為 C

資料清洗：分析前的必要步驟

真實資料幾乎都有缺失值、重複列、型別錯誤。AI 拿到髒資料會給出錯誤的分析，清洗是你的責任，不是 AI 的。

# 查看缺失值
df.isnull().sum()           # 每欄的缺失數量

# 處理缺失值
df.dropna()                 # 刪除含缺失值的列
df.fillna(0)                # 填入預設值
df["score"].fillna(df["score"].mean())  # 填入平均值

# 處理重複列
df.duplicated().sum()        # 重複列數量
df.drop_duplicates()         # 刪除重複列

# 型別轉換
df["score"] = df["score"].astype(int)
df["date"]  = pd.to_datetime(df["date"])
df["name"]  = df["name"].str.strip()     # 去空白

# 輸出
df.to_csv("cleaned.csv", index=False, encoding="utf-8")
df.to_json("report.json", force_ascii=False, indent=2)

10-2　matplotlib：把資料畫成圖

matplotlib 是 Python 最基礎的視覺化套件（pip install matplotlib），AI 產出的數據分析程式幾乎都用它。

import matplotlib.pyplot as plt
import matplotlib
matplotlib.rcParams['font.family'] = 'Arial Unicode MS'  # 中文字型

scores = [75, 82, 91, 68, 95, 77]
names  = ["Alice", "Bob", "Carol", "Dave", "Eve", "Frank"]

# 長條圖
plt.figure(figsize=(8, 4))
plt.bar(names, scores, color="steelblue")
plt.title(" 學生成績分佈"); plt.ylabel(" 分數")
plt.savefig("bar.png", dpi=150, bbox_inches="tight")
plt.close()

# 折線圖
months = ["1月", "2月", "3月"]
sales  = [100, 130, 115]
plt.plot(months, sales, marker="o", color="tomato")
plt.title(" 月銷售量"); plt.savefig("line.png", dpi=150)
plt.close()

# 直方圖（分佈）
plt.hist(scores, bins=5, color="mediumseagreen")
plt.title(" 成績分佈直方圖"); plt.savefig("hist.png", dpi=150)
plt.close()

10-3　scikit-learn：五行程式碼入門機器學習

scikit-learn（pip install scikit-learn）提供統一 API：fit() 訓練、predict() 預測、score() 評估。不需要懂數學，但要能讀懂 AI 寫的 sklearn 程式。

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report
import pandas as pd

# 準備資料
df = pd.read_csv("students.csv")
X = df[["study_hours", "attendance"]]  # 特徵（input）
y = df["passed"]                         # 標籤（output：0 或 1）

# 切分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# 訓練模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 預測並評估
y_pred = model.predict(X_test)
acc = accuracy_score(y_test, y_pred)
print(f" 準確率：{acc:.2%}")
print(classification_report(y_test, y_pred))

三道遞進題：讀懂、改寫、抓錯

題目一　讀懂（基礎）

說明以下程式的每個步驟在做什麼：

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("sales.csv")
df["date"] = pd.to_datetime(df["date"])
df = df.dropna(subset=["revenue"])

monthly = df.groupby(
    df["date"].dt.to_period("M")
)["revenue"].sum().reset_index()
monthly.columns = ["month", "total"]

plt.figure(figsize=(10, 4))
plt.plot(monthly["month"].astype(str), monthly["total"])
plt.xticks(rotation=45)
plt.title(" 月營收趨勢")
plt.tight_layout()
plt.savefig("revenue.png", dpi=150)
plt.close()

任務：逐步說明 to_period（"M"）、groupby、xticks（rotation=45） 的作用。

題目二　改寫（進階）

請 AI 把以下分析程式重構為流程化架構：

import pandas as pd, matplotlib.pyplot as plt

df = pd.read_csv("students.csv")
df = df.dropna()
df = df[df["score"] >= 0]
avg = df.groupby("class")["score"].mean()
plt.bar(avg.index, avg.values)
plt.savefig("result.png")
plt.close()

題目三　抓錯（高階）

數據科學的錯誤最難發現：程式能跑、圖表能畫、模型能訓練，但結果是假的。找出以下機器學習程式的所有問題：

import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

df = pd.read_csv("data.csv")
X = df.drop("label", axis=1)
y = df["label"]

model = LogisticRegression()
model.fit(X, y)                           # 問題一

y_pred = model.predict(X)                 # 問題二
print(f" 準確率：{accuracy_score(y, y_pred)}")  # 問題三

df2 = pd.read_csv("new_data.csv")
df2["score"] = df2["score"].fillna(df2["score"].mean())  # 問題四

任務：找出四個問題，說明危險原因。

術語速查表

重點整理與完成清單

完成清單

• 能用 pandas 讀取、清洗、篩選、分組統計資料
• 能用 matplotlib 畫長條圖、折線圖、直方圖
• 能讀懂 sklearn 的 fit / predict / score 流程
• 知道訓練集和測試集的差異，能識別資料洩漏
• 完成作業題目一：說明 to_period、groupby、xticks 的作用
• 完成作業題目二：請 AI 重構為流程化架構
• 完成作業題目三：找出過擬合、資料洩漏四個問題