企业官网建设流程全解析

经常有想转行数据分析的朋友问我：资料收藏了一大堆，为什么真的开始学还是不知道从哪下手？是应该先啃 Python，还是先学 Excel？是先做可视化，还是先练数据清洗？数据挖掘听起来很高深，到底要不要碰算法？

这些问题背后有一个共同原因：大家把“数据分析、数据清洗、数据可视化、数据挖掘”当成四门独立的课在学，但实际工作中它们是一条流水线。真正能落地的数据分析项目，往往从一份很乱的表开始，经过清洗加工，再用图表辅助判断，最后通过算法或规则挖掘出可执行的结论。

这篇文章会给你一套完整的 30 天学习路线和项目实战方案。整个输出按“数据清洗 → 数据分析 → 数据可视化 → 数据挖掘”四段式展开，配合可以直接复制的 pandas、Matplotlib、Seaborn、Plotly、Scikit-Learn 代码。无论你是零基础在校学生、准备转行做数据分析的职场人，还是已经有 Python 基础但缺少项目经验的开发者，都能照着这套流程跑通一个端到端项目。

1. 先搞懂四件事：数据分析、数据清洗、数据挖掘、数据可视化

1.1 从“数据到决策”看四者的关系

先放一个最直观的理解方式。

数据清洗解决的是“数据能不能用”的问题。比如表里有空值、重复值、格式混乱的日期、明显异常的价格，如果这些不处理，后面算出来的指标全是错的。数据清洗占据真实数据项目 60% 以上的时间，不是夸张。

数据分析解决的是“发生了什么”的问题。比如这个月销售额环比下降了多少，哪个品类的退货率最高，哪个渠道的获客成本最低。这个环节主要靠分组聚合、同环比、漏斗拆解等方法把业务现状量化出来。

数据可视化解决的是“怎么让结论被看懂”的问题。同样是“华东区销售额最高”这句话，一图胜千言的道理大家都懂。但可视化不只是画图，更重要的是选择图形去匹配业务问题。趋势看折线图，结构看占比图，对比看柱状图，分布看直方图或箱线图。

数据挖掘解决的是“为什么会发生，以及接下来会发生什么”的问题。它比数据分析更进一步，会引入聚类、分类、回归、关联规则等算法，从数据中找到人工经验不容易发现的规律。

它们的关系不是递进关系，而是咬合关系。一个成熟的分析项目，可能先清洗数据，再做探索性可视化，发现某些用户群行为异常，最后用聚类把用户切分出来验证假设。四者缺一不可。

1.2 零基础学习者最容易踩的三个坑

第一个坑是“跳步”。很多初学者刚学完 pandas 基础，就直接去刷大厂算法题，前置数据太少、后置业务问题不清楚，最后只记住了 API，没有建立分析直觉。实际工作里，不是先选算法再找数据，而是先有业务问题，再决定用什么分析方法。

第二个坑是“只抄代码不跑数据”。看教程很容易产生一种“我懂了”的错觉，尤其是代码一段段照着敲完能运行之后，就以为自己掌握了。其实把输入数据换掉、把字段名换掉，很多初学者就会卡住。所以这个 30 天计划里，每一周都安排了“改数据重跑”的环节，目的是训练你迁移代码的能力。

第三个坑是“把画图当分析”。做出一张漂亮的折线图不等于分析完成。如果图表下面不能写出一段话，说清楚这个趋势是什么原因导致的、下一步应该做什么，那这份分析还只停留在技术展示阶段。这也是后文最佳实践部分会专门讲“分析收尾公式”的原因。

1.3 这套 30 天计划适合谁？

不太适合把数据分析当副业噱头、指望一周速成的人。数据分析的难点不在语法，而在业务理解、数据敏感度和推理逻辑，这些都需要持续练习。

比较适合的人群有三类：

• 零基础转行：没有 Python 基础，但愿意每天花 1.5 到 2 小时动手练习；
• 会用 Excel 但想提升效率的职场人：希望通过脚本完成周期性报表和清洗工作；
• 有编程基础但缺少业务视角的开发：想了解数据岗位完整的项目产出方式。

接下来给出 30 天路线时，我会默认你每天能挤出至少 90 分钟。碎片时间用来看概念，整块时间用来跑代码，这是比较现实的学习节奏。

2. 30 天学习路线总览：拆成四周四阶段

2.1 第一周：Python、NumPy、Pandas 打底

第一周不要贪多，目标只有一个：能用 Python 读一张表格，并且能对列做最基本的筛选、计算、分组。

推荐每天安排：

第一周最容易出现的问题是纠结“要不要先学爬虫、学面向对象”。暂时不需要。数据分析入门阶段的 Python，重点是数据处理能力，而不是软件工程能力。能写明白函数和脚本，后续项目就够用了。

2.2 第二周：从“脏数据”到可用数据

这一周学数据清洗与预处理，也就是把脏数据变成能够建模的表。

第二周建议内容：

• 缺失值识别与处理：删除、填充、插值，分别适用什么场景；
• 重复值处理：为什么不能无脑 drop_duplicates；
• 异常值检测：业务阈值、3σ 法、IQR 箱线图法；
• 数据类型转换：字符串日期转 datetime，数值列中的中文逗号清洗；
• 文本归一化：大小写、空格、全半角、同义词映射；
• 最后产出数据质量报告，记录“原始数据多少行、清洗后多少行、为什么删”。

很多学生觉得数据清洗“技术含量低”，这是误解。真实工作里，业务部门给你的表可能包含几十张关联表，每张表都有不同的主键和口径。能在一周内把清洗逻辑梳理清楚，已经具备初级数据分析师的核心基本功。

2.3 第三周：可视化与业务拆解

第三周的任务是学会用图表回答业务问题。

具体拆成三块：

1. Matplotlib 基础：折线图、柱状图、散点图、直方图、子图布局；
2. Seaborn 统计绘图：箱线图、热力图、分布图、回归拟合图；
3. 业务图表组合：趋势图、结构图、对比图、相关性矩阵。

这一周要做的不只是“让图出现”，还要练习看图说话。每画完一张图，强迫自己写三行注释：这张图说明什么，可能的原因是什么，下一步要保留或排查什么。长期来看，这种看图写作能力比画图技巧更值钱。

2.4 第四周：数据挖掘建模与项目输出

第四周从 pandas 过渡到 Scikit-Learn，做一个小而完整的挖掘项目。

建议不碰深度学习，先掌握四类经典任务：

第四周的项目要覆盖完整链路：定义问题 → 准备数据 → 清洗 → 特征加工 → 建模 → 评估 → 输出结论。成品可以是 Jupyter Notebook，也可以是一份 PDF 分析报告，还可以配一个简单的可视化页面。

3. 环境准备与版本说明

3.1 安装 Python 与 IDE

本系列代码以 Python 3.9 以上版本为主要环境，重点使用 pandas、NumPy、Matplotlib、Seaborn、Plotly、Scikit-Learn。由于不同操作系统和 Python 版本存在差异，建议先创建独立虚拟环境再安装依赖。

如果你完全是新手，最简单的方式是安装 Anaconda。它自带 Python、Jupyter Notebook、Spyder 以及常用的数据科学库。下载安装后，打开 Anaconda Prompt 输入：

python --version

如果能正常显示版本号，说明安装成功。

如果你更习惯用官方 Python，可以按下面的命令创建虚拟环境：

python -m venv data_env source data_env/bin/activate # macOS / Linux data_env\Scripts\activate # Windows

IDE 方面，新手推荐 Jupyter Notebook 或者 Jupyter Lab，逐行执行代码、直接看到图表，学习曲线比较平缓。当项目脚本变多、需要工程化时，再切换到 VS Code 或者 PyCharm 也不迟。

3.2 安装核心依赖库

在虚拟环境或 Anaconda 环境中执行：

pip install pandas numpy matplotlib seaborn plotly scikit-learn

为了让项目可复现，项目根目录建议维护一份requirements.txt：

pandas>=1.5.0 numpy>=1.23.0 matplotlib>=3.6.0 seaborn>=0.12.0 plotly>=5.13.0 scikit-learn>=1.2.0 jupyterlab>=3.6.0

版本不建议盲目追求最新。pandas 2.x 已经非常稳定，但有些旧教程里的写法在 2.x 中会发出 FutureWarning。遇到警告时，重点看警告信息里的替代写法，不必感到慌张。

3.3 准备一份示例数据：包含脏数据的电商订单

为了让整个项目可复现，也为了让你看到数据清洗前和清洗后的区别，我会使用一段生成脚本构造一份电商订单数据。这份数据会故意包含以下几种问题：

• 订单编号重复；
• 用户 ID 缺失；
• 销售金额存在负数或缺失；
• 日期格式混乱，甚至包含无效日期；
• 商品分类带有空格；
• 订单状态存在同义不同值。

先创建项目目录：

data_analysis_30days/ ├── data/ │ ├── gen_orders.py │ └── orders.csv ├── data_clean.py ├── eda_plot.py ├── model_train.py └── output/

将下面的脚本保存为data/gen_orders.py：

# 文件路径：data/gen_orders.py import pandas as pd import numpy as np np.random.seed(42) user_pool = [f'U{str(i).zfill(4)}' for i in range(1, 401)] categories = ['手机数码', '家用电器', '服饰鞋包', '食品生鲜', '美妆个护'] status_list = ['已完成', '已取消', '待付款'] rows = [] date_range = pd.date_range('2023-01-01', '2023-12-31') for i in range(1, 3001): idx = i % 1000 # 前 100 个用户模拟为高频高金额用户，其余为普通用户 if idx <= 100: amount = round(float(np.random.normal(800, 220)), 2) quantity = int(np.random.randint(1, 6)) else: amount = round(float(np.random.normal(180, 90)), 2) quantity = int(np.random.randint(1, 4)) if amount <= 0: amount = 19.9 date = np.random.choice(date_range) # 故意制造格式混乱：每 3 条中 1 条使用斜杠格式 if i % 3 == 0: date_str = date.strftime('%Y/%m/%d') else: date_str = date.strftime('%Y-%m-%d') # 每隔 997 条制造一个无效日期 if i % 997 == 0: date_str = '2023-13-45' category = np.random.choice(categories) if i % 11 == 0: category = ' ' + category + ' ' status = np.random.choice(status_list, p=[0.78, 0.12, 0.10]) user_id = np.random.choice(user_pool) if i % 37 == 0: user_id = None rows.append({ 'order_id': f'ORD{i:05d}', 'user_id': user_id, 'order_date': date_str, 'category': category, 'amount': amount if i % 41 != 0 else None, 'quantity': quantity if i % 31 != 0 else None, 'status': status if i % 29 != 0 else None, }) # 故意制造完全重复的数据行 dup_rows = rows[:60] rows.extend(dup_rows) df = pd.DataFrame(rows) df.to_csv('data/orders.csv', index=False, encoding='utf-8-sig') print('生成完成，总行数：', len(df))

在项目根目录下执行：

python data/gen_orders.py

执行后得到data/orders.csv。这份数据后续会一直使用，覆盖清洗、可视化、挖掘三个环节。

4. 阶段一：Pandas 数据清洗实战

4.1 先摸清数据状况

数据清洗的第一步不是删数据，而是先看数据。新建data_clean.py，写入：

# 文件路径：data_clean.py import pandas as pd df = pd.read_csv('data/orders.csv') print('原始数据 shape：', df.shape) print('\n前 10 行：') print(df.head(10)) print('\n列名与类型：') print(df.dtypes) print('\n缺失值统计：') print(df.isna().sum()) print('\n重复订单数：', df.duplicated(subset=['order_id']).sum())

运行后你会得到类似下面的输出：

原始数据 shape： (3060, 7) 前 10 行： ... 缺失值统计： ... 重复订单数： 60

这里有几个关键判断点：

1. amount列是否有空值；
2. quantity是否为空；
3. order_date是字符串格式，需要在后续步骤解析；
4. user_id存在空值，需要决定是删除还是填充为“匿名用户”；
5. 订单号重复达到 60 条，需要进一步判断是否为重复录入。

很多新人拿到数据后第一件事就是调用dropna()把所有有缺失的行删掉，这是错误的。比如status为空，可能代表了某种异常渠道的订单，直接删除会破坏业务口径。正确做法是先观察每一列缺失的比例和原因，再分列处理。

4.2 重复值、缺失值与异常值处理

接下来编写清洗逻辑。按顺序完成去重、修缺失值、处理异常金额和数量。

# data_clean.py 继续追加 # 1. 去重：订单号作为业务主键 before_count = len(df) df = df.drop_duplicates(subset=['order_id'], keep='first').copy() print(f'去重后行数：{before_count} -> {len(df)}') # 2. user_id 缺失：如果后续要做用户分析，先填为 UNKNOWN df['user_id'] = df['user_id'].fillna('UNKNOWN') # 3. amount 缺失：金额是核心指标，缺失且无法修复，只能删除 df = df.dropna(subset=['amount']).copy() # 4. quantity 缺失：先按 1 处理，或删除；这里按业务经验填 1 df['quantity'] = df['quantity'].fillna(1).astype(int) # 5. 金额异常：不能为负数 print('\n删除前金额非正数数量：', (df['amount'] <= 0).sum()) df = df[df['amount'] > 0].copy() # 6. 数量异常：数量至少 1 df = df[df['quantity'] >= 1].copy()

为什么删除amount为空的行，而不是用均值填充？因为如果你要计算销售额，均值填充会伪造一部分本不存在的交易。对金额类指标，更稳妥的原则是能溯源就溯源，无法溯源且缺失占比较低时，删除比填充更安全。但如果是用于预测模型的特征，且缺失比例较高，需要结合业务决定是否填充。

user_id填成'UNKNOWN'而不是删除，是为了后续做商品分析时能保留这些订单。等到做用户画像时，再单独过滤掉匿名用户即可。这种“不同分析目标采用不同清洗口径”的思路，往往是新手和熟练分析师最大的差距。

4.3 日期、文本与类型统一

继续在data_clean.py中追加：

# 日期解析：把多种格式统一为 pandas 的 datetime 类型 df['order_date_raw'] = df['order_date'] df['order_date'] = pd.to_datetime(df['order_date'], errors='coerce') invalid_date_count = df['order_date'].isna().sum() print('无效日期行数：', invalid_date_count) df = df.dropna(subset=['order_date']).copy() # 分类文本去空格 df['category'] = df['category'].str.strip() # 状态归一化：把同义值合并 status_map = { '已完成': '已完成', '完成': '已完成', '已取消': '已取消', '取消': '已取消', '待付款': '待付款', } df['status'] = df['status'].map(status_map).fillna('未知') # 新增月份字段，方便后文按月分析 df['month'] = df['order_date'].dt.to_period('M').astype(str) # 导出清洗后数据 df.to_csv('data/orders_clean.csv', index=False, encoding='utf-8-sig') print('\n清洗后数据 shape：', df.shape) print('\n订单状态分布：') print(df['status'].value_counts()) print('\n清洗后样例：') print(df.head())

运行后，你应该看到重复订单被去掉、缺失金额被删除、日期全部变成标准格式。这里有两个容易踩坑的细节：

1. pd.to_datetime(errors='coerce')会把无法解析的“2023-13-45”变成NaT。NaT是 pandas 中的缺失时间值，判断时要用isna()，不能用== None。
2. 原始字符串中带空格的“ 手机数码 ”，通过str.strip()清理后，才能在做分组时和“手机数码”落到同一组。

清洗脚本执行完，可以顺手生成一份数据质量报告。不需要写成复杂引擎，直接在控制台打印：原始行数、清洗后行数、重复值数量、缺失值数量、无效日期数量、异常金额数量。这份报告在以后写项目 README 或简历作品集时非常有用。

4.4 分组聚合：把订单明细变成业务指标

订单明细表本身不直接产生业务价值，需要经过聚合变成指标。下面用 pandas 完成几种最常见的聚合：

# data_clean.py 继续追加或单独验证 import pandas as pd df = pd.read_csv('data/orders_clean.csv') # 查看哪些用户下单次数最多 user_order_count = ( df.groupby('user_id')['order_id'] .nunique() .sort_values(ascending=False) ) print('下单次数最高的前 10 个用户：') print(user_order_count.head(10)) # 每个商品分类的销售额 category_sales = ( df.groupby('category')['amount'] .sum() .sort_values(ascending=False) ) print('\n分类销售额：') print(category_sales) # 每月的销售额 monthly_sales = ( df.groupby('month')['amount'] .sum() .sort_index() ) print('\n月度销售额：') print(monthly_sales)

这里区分一下sum和nunique的语义。统计订单数时如果用count()，会把同一个用户重复下单的订单行也数进去，如果数据里还有同一个订单编号的重复行，结果就会失真。nunique()计算的是不重复订单编号的数量，更适合统计“订单数量”。

聚合结果就是后续可视化输入。很多可视化图表的背后并不是原始明细表，而是一张聚合后的指标表。

5. 阶段二：数据可视化实战

5.1 先解决中文字体和图片保存问题

新建eda_plot.py，把重用的库和字体设置写在顶部。

# 文件路径：eda_plot.py import os import pandas as pd import matplotlib.pyplot as plt import seaborn as sns import warnings warnings.filterwarnings('ignore') # 设置全局中文字体，不同系统需要微调 plt.rcParams['font.family'] = ['Microsoft YaHei', 'SimHei', 'Noto Sans CJK SC', 'Arial Unicode MS'] plt.rcParams['axes.unicode_minus'] = False os.makedirs('output', exist_ok=True) df = pd.read_csv('data/orders_clean.csv') df['order_date'] = pd.to_datetime(df['order_date']) print('数据加载完成，行数：', df.shape[0])

如果你在 Windows 下没有微软雅黑，或者 Linux 服务器缺少上述字体，图表中文会变成方框。解决办法一个是安装中文字体，另一个是代码里指定一台环境内确实存在的字体名。可以先运行：

import matplotlib.font_manager as fm fonts = [f.name for f in fm.fontManager.ttflist if any(k in f.name for k in ['SimHei', 'YaHei', 'Noto', 'WenQuanYi'])] print(set(fonts))

然后再根据输出结果挑选可用的中文字体。代码里设置了一串备选字体，是为了在不同环境下都尽量能显示中文，不保证所有系统都能命中同一个字体名称，所以理解配置思路比照抄更重要。

5.2 业务问题 1：销售额随时间的趋势

先只看状态为“已完成”的订单。这样统计出来的是真实成交额，不包含已取消和待付款订单。

# eda_plot.py 继续追加 df_ok = df[df['status'] == '已完成'].copy() df_ok['month'] = df_ok['order_date'].dt.to_period('M').astype(str) monthly_sales = ( df_ok.groupby('month')['amount'] .sum() .sort_index() ) # 折线图：月度销售趋势 plt.figure(figsize=(10, 5)) plt.plot(monthly_sales.index, monthly_sales.values, marker='o', linewidth=2) plt.title('月度销售额趋势') plt.xlabel('月份') plt.ylabel('销售额') plt.xticks(rotation=45) plt.grid(True, linestyle='--', alpha=0.4) plt.tight_layout() plt.savefig('output/monthly_sales.png', dpi=150) plt.show()

运行后输出output/monthly_sales.png。看到这张图时可以继续问自己：哪个月异常高，哪个月异常低？是和业务淡旺季有关，还是数据本身存在噪声？这一步训练的是结合业务的读图能力。

如果时间字段是字符串而没有转成datetime，按“月份”聚合时月份排序很容易变成字典序，导致折线图出现不合理的上下跳动。数据清洗阶段已经处理过日期，这里仍然重新to_datetime，是因为 CSV 导出后再读入时，日期会恢复成字符串类型。

5.3 业务问题 2：品类结构与客户贡献

继续用柱状图和 Top 用户图观察结构和分布。

# eda_plot.py 继续追加 # 分类销售额柱状图 category_sales = ( df_ok.groupby('category')['amount'] .sum() .sort_values(ascending=True) ) plt.figure(f