AI 辅助数据分析：让模型写 Notebook 与查数据

数据分析的工作大量发生在 Notebook 里：读取数据、做探索性分析、训练模型、画图、写结论。这个过程里有很多重复劳动，也很依赖经验。AI 编码助手现在可以直接在 Jupyter、Colab 这类环境中帮你生成代码、解释输出、定位报错。本文梳理 AI 在数据分析中的角色、主流 Notebook AI 能力、一条可落地的工作流、可直接套用的提示词模板，以及一个完整示例，最后给出常见陷阱与避坑要点。

AI 在数据分析中的角色

把 AI 放在「协作者」而不是「替身」的位置上，效果最好。在数据分析场景里，AI 主要承担四类任务：

生成样板代码。读取 CSV、做分组聚合、画一张图，这类结构清晰但不想手敲的代码，交给 AI 很快。
解释结果与报错。把一段报错的 traceback 或一个看不懂的输出贴给 AI，让它用自然语言讲清楚哪里出了问题。
给出分析思路。当你面对一张新表不知道从何下手，AI 可以建议 EDA 顺序、该画哪些图、该关注哪些分布。
改写与重构。把一堆实验性的单元格整理成可复用的函数或脚本。

需要守住的边界是：AI 给出的代码和结论都必须由你验证。它不知道你数据的真实含义，也可能编造不存在的列名。下文会专门讲这些陷阱。

主流 Notebook AI 能力

Jupyter AI

Jupyter AI 是 Project Jupyter 官方的开源扩展，把 AI 智能体接入 JupyterLab。它的核心能力包括：

聊天侧边栏。可以在左侧面板里开多个聊天线程，向 AI 提问，并能把笔记本单元格或文件作为附件拖进去提供上下文。
AI personas（智能体角色）。一个 persona 背后可以是某个模型或外部智能体，比如 Claude、Codex、GitHub Copilot、Gemini 等，通过 LiteLLM 接入大量模型。
Notebook 工具。AI 可以查看当前活动笔记本或单元格、创建和编辑笔记本、通过内核运行代码单元格。
MCP 与 ACP 集成。可以通过自定义 MCP 服务器把额外工具接进聊天，让智能体在获得你授权后操作工作区。

返回的代码块带有快捷工具条，可以一键复制到剪贴板、作为单元格插入到当前单元格上/下方，或替换当前单元格。

Google Colab 的 AI 助手

Google Colab 在 2025 年发布了 AI-first 版本的 Colab，由 Gemini 2.5 Flash 驱动，定位是「写代码的搭档」。它提供的能力包括：

对话式代码生成与转换。用自然语言让 Colab 生成函数、样板代码，或对现有代码做整体重构，改动以 diff 视图呈现供你审阅。
智能报错修复。这是 Colab 最受欢迎的 AI 功能之一，出错时会在笔记本内迭代给出修复建议。
Data Science Agent（数据科学智能体）。可以上传文件或引用 BigQuery 表，让智能体自主生成分析计划、执行代码、对结果做推理并给出发现；执行过程中你还能用自然语言反馈来纠偏。
多种形式的交互。底部工具栏的 Gemini 入口适合快速指令，侧边面板适合深入讨论。

在企业版（Colab Enterprise / Gemini in Colab Enterprise）中，官方文档明确列出：与笔记本对话、代码补全与生成、解释代码单元格、解释并修复错误这几项能力。

GitHub Copilot 在 Notebook 中的能力

GitHub Copilot 对 Jupyter Notebook 的支持主要体在 VS Code 里：单元格内补全、针对单元格的 Copilot Chat、以及生成与编辑 Notebook 内容都是原生支持的。对于 JupyterLab 原生界面，社区有 Notebook Intelligence（NBI）这个开源扩展，它接入 GitHub Copilot，提供单元格内联补全、Copilot Chat、用 /newNotebook 等命令从提示生成笔记本等能力。

需要明确的是，Copilot 对单个单元格理解很好，但跨多个单元格的「状态感知」相对弱：如果一个变量在 8 个单元格之前定义、当前单元格要引用它，模型有时把握不准。应对办法是保持上下文紧凑：用干净的内核、起清晰的变量名、笔记本别长过几十个单元格就及时重构成 .py 脚本。

典型工作流

把 AI 嵌进下面这条主线，而不是跳过它：

加载数据。让 AI 生成读取 CSV / Parquet / 数据库的代码，并给出基本的类型推断。
探索性数据分析（EDA）。检查缺失值、分布、相关性，画关键图表。这一步最该让 AI 给思路，但每个结论你都要自己确认。
建模或统计。做回归、分类、聚类，或用 pandas 做分组统计。让 AI 写训练与评估代码，你来选方法和解释指标。
可视化与结论。把结果画成清晰的图，用 markdown 单元格写下结论。让 AI 帮忙美化图表、写解读，但结论的责任在你。

提示词模板

好的提示词能显著降低 AI 胡编的概率。两条原则最关键：给 schema、要可复现。

给 schema 的模板

我有一张名为 orders 的表，列如下：
- order_id: 字符串，订单编号，唯一
- user_id: 字符串，用户编号
- amount: 浮点数，订单金额（单位：元）
- created_at: 字符串，格式为 YYYY-MM-DD，下单日期
- channel: 字符串，取值为 app / web / offline

请用 pandas 写出代码：按 channel 分组，计算每组订单数、总金额、平均金额，
并显示前 10 行结果。只使用上面列出的列名，不要编造其他列。

要可复现的模板

请用 pandas 完成下面的任务，要求：
1. 从 reproducible 出发，设置随机种子为 42。
2. 不要读取本地不存在的文件，示例数据用 DataFrame 构造。
3. 每一步都加注释，说明它在做什么。
4. 不要使用未定义的变量。
5. 最后打印关键中间结果，方便我核对。

把列名、类型、取值范围直接写进提示词，能大幅减少「幻觉列名」这类问题。

示例：让 AI 生成 pandas 分析与 Plotly 图表

下面是一段由 AI 生成的、可直接运行的示例：统计各渠道订单表现，并用 Plotly 画一张柱状图。注意它只使用了上文中明确定义的列。

import pandas as pd
import plotly.express as px

# 构造可复现的示例数据，便于核对
df = pd.DataFrame({
    "order_id": [f"o{i}" for i in range(1, 11)],
    "user_id": ["u1", "u2", "u1", "u3", "u2", "u4", "u1", "u3", "u4", "u2"],
    "amount": [120.5, 80.0, 200.0, 45.5, 99.0, 300.0, 60.0, 150.0, 75.5, 210.0],
    "created_at": [
        "2026-01-01", "2026-01-01", "2026-01-02", "2026-01-02",
        "2026-01-03", "2026-01-03", "2026-01-04", "2026-01-04",
        "2026-01-05", "2026-01-05",
    ],
    "channel": [
        "app", "web", "app", "offline", "web",
        "app", "offline", "web", "app", "offline",
    ],
})

# 按渠道分组聚合
summary = (
    df.groupby("channel")
    .agg(order_count=("order_id", "count"),
         total_amount=("amount", "sum"),
         avg_amount=("amount", "mean"))
    .reset_index()
)

print(summary)

# 用 Plotly 画柱状图，展示各渠道总金额
fig = px.bar(
    summary,
    x="channel",
    y="total_amount",
    title="各渠道订单总金额",
    labels={"total_amount": "总金额（元）", "channel": "渠道"},
)
fig.show()

这段代码刻意满足三点：只用了提示词里给出的列、构造了可复现的示例数据、每步都有注释。你拿去跑之前，仍应确认 amount 的单位和 channel 的取值是否和真实数据一致。

陷阱

AI 在数据分析里最常见的两类失误，都来自它「不知道你的数据」。

幻觉列名

模型可能凭直觉写出 df['customer_name']、df['price'] 这种提示词里没给、真实表里也不存在的列。后果是代码一跑就 KeyError。规避办法：

提示词里显式列出列名与类型，并写明「只使用上面列出的列」。
拿到代码先 print(df.columns) 核对，再跑后续逻辑。
如果列名来自真实文件，先把 df.dtypes 的输出贴给 AI，让它基于真实 schema 写代码。

误读 dtype

模型容易把看起来像数字的列当成数值，或反过来。典型问题包括：

把存成字符串的日期当数值处理，做加减或求均值得到无意义结果。
把含缺失值、被 pandas 自动推断为 object 的金额列直接求均值，其实里面混了脏字符。
把分类变量（如 channel）当有序数值喂给模型，导致错误结论。

规避办法：

写代码前先跑 df.info() 和 df.dtypes，把真实类型告诉 AI。
对日期用 pd.to_datetime 显式转换；对金额先 pd.to_numeric(errors="coerce") 再处理。
任何聚合结果出来后，先抽查几条原始记录，确认口径对得上。

还有一个更隐蔽的坑：AI 给的「结论」可能和数据对不上。它有时会顺手编一个听起来合理的洞察。所以图表和统计量你必须自己能解释，不能只因为模型说「可见某某趋势」就采纳。

小结

AI 能显著提升 Notebook 数据分析的效率，但定位应当是协作者而非替身。在 Jupyter AI、Colab AI 助手、GitHub Copilot 等工具的帮助下，你可以更快完成代码生成、报错排查和思路启发。要让它可靠，关键是：给清 schema、要求可复现、对列名和数据类型保持怀疑、对结论亲自验证。把「加载数据、EDA、建模、可视化」这条主线交给 AI 提速，把「判断与结论」留给自己负责，是这套工作流最稳的用法。

参考与延伸阅读

Jupyter AI 官方文档：聊天界面、AI personas、Notebook 工具与 MCP/ACP 集成说明。https://jupyter-ai.readthedocs.io/en/latest/
Google Colab 官方介绍与 Gemini 能力（含 Data Science Agent、代码生成与报错修复）：https://developers.google.com/colab
Notebook Intelligence（Jupyter 官方博客）：在 JupyterLab 中接入 GitHub Copilot 的开源扩展，含内联补全与 /newNotebook 等能力。https://blog.jupyter.org/introducing-notebook-intelligence
pandas 官方文档：数据结构、分组聚合与类型转换 API。https://pandas.pydata.org/docs/
Plotly Python 官方文档：交互式图表绘制。https://plotly.com/python/

本文累计阅读 — 次