环境与第一行代码
安装 Python、熟悉 Notebook，完成变量、输出与注释练习。
成果：个人学习模板先建立一条稳定的学习闭环
输入概念 → 动手练习 → 复盘错误 → 输出洞察。路线不追求一次学完所有库，而是优先掌握真正高频的分析动作：读取、清洗、聚合、可视化与表达。
30天
90'每日建议
3个作品
The architecture
四段式成长结构
每一阶段都以“能完成一个真实任务”为结束条件，而不是以看完课程为结束条件。
WEEK 01 · 地基
语法与环境
变量、容器、函数、文件与 Jupyter 工作流。
WEEK 02 · 处理
数据清洗
NumPy、Pandas、缺失值、重复值与类型。
WEEK 03 · 洞察
统计与图表
分组聚合、相关性、Matplotlib 与 Seaborn。
WEEK 04 · 表达
项目与复盘
从问题定义到结论呈现，形成可展示作品。
Day by day
30 天行动节点
不要追求“全部掌握”。每天留下一个可运行的小成果，30 天后自然会形成能力证据。
容器：列表、字典与集合
把杂乱信息装进结构，练习遍历、切片与条件筛选。
成果：消费记录清单控制流与函数
用函数封装重复动作，让代码从“能跑”走向“可复用”。
成果：指标计算器文件、路径与异常
读写 CSV，理解编码、路径和常见报错的排查顺序。
成果：CSV 小工具NumPy 数组思维
认识向量化、维度、索引与基础统计，摆脱逐行循环。
成果：成绩统计表Pandas 入门
Series、DataFrame、列选择与排序，建立表格操作直觉。
成果：电影数据浏览器第一周复盘
整理错题与常用代码片段，完成一次从读取到导出的微项目。
成果：周报 v1缺失值与重复值
分清删除、填充与保留的业务含义，记录每一次清洗决策。
成果：清洗决策表类型、日期与文本
处理时间字段、字符串字段和分类字段，为分析做准备。
成果：日期特征表筛选与排序
用布尔条件回答“哪些记录符合条件”，掌握多条件组合。
成果：客户筛选器合并与重塑
merge、concat、pivot，让多张业务表汇聚成分析底表。
成果：销售宽表分组聚合
用 groupby 把明细变成指标，理解粒度、维度与度量。
成果：品类经营表探索性分析
先问问题再看图表，找出异常、分布与值得追问的现象。
成果：EDA 检查清单第二周复盘
完成一份清洗前后对比，写出数据质量说明。
成果：数据质量报告统计描述
均值、中位数、分位数、离散程度：用数字描述数据的形状。
成果：指标字典Matplotlib 基础
掌握画布、坐标轴、标题、图例与颜色，让图表可读。
成果：趋势折线图Seaborn 叙事图表
用分布图、箱线图、热力图呈现差异与关系。
成果：探索图册相关性与误读
理解相关不等于因果，练习用分组与对照避免跳步结论。
成果：洞察卡片指标拆解
把“为什么下降”拆成规模、结构、价格与时间等可验证路径。
成果：问题树第三周复盘
用 3 张图回答一个业务问题，并为每张图写一句结论。
成果：分析简报项目选题与口径
选一个熟悉领域，写清对象、时间范围、指标和限制条件。
成果：项目一页纸项目数据准备
建立可复现的数据处理脚本，保留原始数据与中间结果。
成果：项目目录核心分析
围绕 2–3 个关键问题完成聚合、对比、趋势和异常定位。
成果：分析 Notebook图表与版式
删掉装饰噪音，建立标题—图表—结论的阅读顺序。
成果：图表终稿项目二：用户/运营分析
从用户分层、留存或转化中任选其一，做一次结构化分析。
成果：运营洞察页项目三：公开数据探索
寻找公开数据，完成从数据说明到最终结论的完整链路。
成果：公开数据作品结论与建议
把发现翻译成行动建议：做什么、为什么、预期影响是什么。
成果：建议清单作品集打磨
补齐 README、数据字典、方法说明与局限性，提升可信度。
成果：作品集 v1模拟讲解
用 5 分钟讲完背景、方法、发现和建议，录音后复盘表达。
成果：演示稿毕业日：发布与下一步
发布作品，记录能力清单，选择 SQL、可视化或机器学习作为下一站。
成果：30 天作品集Practice system
每天只做三件事
让学习拥有稳定节奏，比偶尔爆发式学习更重要。
01 · 输入
20 分钟看概念，只记“它解决什么问题、什么时候不用它”。
02 · 动手
40 分钟独立完成练习，遇到报错先读最后一行，再缩小问题。
03 · 输出
10 分钟写下今天的一个发现、一段代码和一个待追问的问题。
今天就从 Day 01 开始
打开 Notebook，写下你的第一行代码。进步不是积攒收藏，而是留下可运行的证据。