在 Jupyter Notebook 中用 Claude 辅助数据分析

先把数据口径交代清楚

Claude 可以辅助写清洗代码、解释图表或定位报错，但 Notebook 中的结果必须由实际执行产生。开始时说明一行代表什么、字段单位、时间范围、重复规则和目标指标；不要只丢一份 CSV 就要求“找出增长原因”。

保留原始数据只读副本，脱敏后再分享必要样本。身份标识、客户信息和密钥不应随整个 Notebook 发出。Markdown 单元记录口径，代码单元负责计算，结论旁标记数据和运行版本。

原创小数据清洗示例

以下六行订单完全虚构。约定完全重复行只保留一次，无法解析或缺失的金额留作异常，不自动填零；不同币种不能直接求和。本地 pandas 2.2.3 已运行断言，预期有效金额合计为六十，非真实经营指标。

import pandas as pd

raw = pd.DataFrame({
    "order_id": ["A", "B", "B", "C", "D", "E"],
    "amount": ["10", "20", "20", "未知", None, "30"]
})
clean = raw.drop_duplicates().copy()
clean["amount_num"] = pd.to_numeric(clean["amount"], errors="coerce")
invalid = clean[clean["amount_num"].isna()].copy()
valid = clean[clean["amount_num"].notna()].copy()
assert len(raw) == 6 and len(clean) == 5
assert len(invalid) == 2 and len(valid) == 3
assert valid["amount_num"].sum() == 60
print({"valid_total": valid["amount_num"].sum(), "invalid_rows": len(invalid)})

让 Claude 解释结果，而不是编造结果

可以提供表结构、上述异常行数和已执行输出，问“有哪些质量风险，哪些结论还不能得出？”合理回答应指出缺失金额会影响总额，不能把六十当作完整收入。若要画图，先确定分母、单位和缺失处理，再查看代码与坐标轴。

统计检验要说明样本选择与假设，多次尝试不能只挑显著结果。预测模型需防止训练和测试数据泄漏，时间序列按时间划分；相关性也不自动证明原因。模型生成的解释必须能回到计算和数据。

Notebook 集成与交付检查

制作图表时保留异常值和缺失行的处理说明，不应为让图形更平滑随意删点。分享 Notebook 前由另一人从头运行，确认图表确实来自当前代码和输入，而不是上一次执行留下的图片或缓存输出。

可将服务端 SDK 调用封装为单独函数，传入获准摘要而非默认上传整张表；自定义 Magic 是可选扩展，不是 Jupyter 自带 Claude 功能。凭证从受控环境读取，不写进单元或输出，并在共享前清除不应公开的执行结果。

最后重启内核并按顺序运行全部单元，确认无隐藏状态；记录依赖版本、输入哈希和随机种子。本文未制作真实业务报告或调用 Claude API，示例只验证清洗计算，不能支持任何模型分析准确率或效率结论。