企业官网建设流程全解析

拿到6.1葡萄酒评论分析报告这个实训题目的时候，我最开始的想法很简单——无非就是pandas读一下CSV，算几个均值，画两张图，然后写点结论交差。但真正动手才发现，这关考察的远不只是“会用pandas”这么简单，它其实是一套完整的数据分析流程：从数据理解、清洗、特征构造，到分组聚合、可视化、结论提炼，最后还要组织成一份能看的报告。中间每一个环节都有不少容易踩空的细节，尤其是头歌平台这种自动评测环境，数据路径、输出格式、环境依赖都会成为卡点。这篇文章就按我实际完成这个项目的顺序，把每一步的思路、关键代码、选型理由以及我踩过的坑完整过一遍，希望能给正在做这个实训的同学一些参考，也能让想练手数据分析的朋友从中找到可以直接落地的做法。

1. 项目拆解：搞清楚6.1这关到底要你回答什么问题

1.1 需求拆解：这关考的是数据分析全流程

头歌平台上标注为project的关卡，通常不是单纯填空，而是要求你独立完成一个小型分析任务。6.1这个“葡萄酒评论分析报告”，从名字就能看出来，核心产出物是“分析报告”，而不是某一段代码。这意味着你不仅要会调用pandas的接口，还要能够围绕一份真实数据集，回答几个具体的业务问题：全球葡萄酒价格和评分整体水平如何？不同国家产区的酒差异大吗？价格越贵的酒评分一定越高吗？哪些品种、哪些酒庄表现突出？

把这些需求翻译成技术动作，其实就是一条标准数据分析流水线：

• 数据读取：用pandas读取CSV文件，先确认数据规模；
• 数据清洗：处理缺失值、类型转换、去重、异常值；
• 特征工程：构造价格区间、评分档位、评论长度等新字段；
• 分组聚合：按国家、品种、酒庄、价格区间做统计对比；
• 相关性分析：计算价格与评分的相关系数；
• 可视化：用matplotlib画分布图、箱线图、散点图；
• 结论输出：把分析结果整理成结构化的文字报告。

我特别建议在写第一行代码之前，先在草稿纸上把这个流程画出来。因为实训项目最怕的不是某个API不会用，而是做完清洗之后不知道下一步该算什么，或者画了一堆图却跟报告结论对不上。

1.2 选型理由：为什么是pandas而不是Excel

这个项目选pandas，除了平台本身的教学要求之外，更现实的原因是数据量级和处理灵活性。葡萄酒评论数据集通常有几万行到十几万行，Excel打开虽然没问题，但一旦涉及多字段分组、条件筛选、关联统计，操作起来就非常痛苦，而且每一步操作都没法留下可复现的脚本。

pandas的优势体现在几个方面。首先是DataFrame结构把表格的行列操作直接映射成方法调用，df[df['price']>50]这类筛选写起来非常直观。其次是groupby和agg的组合，可以在一条语句里完成“按国家分组、算均价、算中位数、算数量”这种多维统计，纯Python写循环不仅代码量翻倍，出错概率也高。再有就是pandas和matplotlib、numpy天然衔接，算完结果直接就能画图，不会出现数据格式对不上的尴尬。

如果你的环境里能安装seaborn，画箱线图和分布图会更美观，但头歌这类平台一般以基础环境为主，所以这篇文章统一使用matplotlib，它完全够用。

1.3 先看评测要求：输出格式决定你的代码结构

这是我在实训里最容易忽略的一步，也是建议你最先做的一步。头歌的project关卡，评测方式可能有两种。一种是自动判题，通过运行你的代码比对标准输出，这种情况下打印内容和格式必须严格一致，多一个空格都可能被判错；另一种是人工评分或者提交报告，这种情况下最终交付物是报告文本，代码只是辅助。

如果是自动判题，我建议先把代码拆成函数，每个函数负责一个输出项，最后用ifname== 'main'统一调度。这样即使某个环节报错，也能快速定位。如果日志里明确要求输出特定内容，比如“打印平均分保留两位小数”，那就老老实实用print(f"{avg:.2f}")，不要自创格式。这个坑我在很多实训项目里都见过，分析做得再漂亮，输出格式不对，分数一样拿不到。

2. 数据摸底：吃透字段再动手，远比你想象的重要

2.1 四条命令完成初步体检

拿到CSV文件之后的第一步，不是急着清洗，而是先做一次“全身体检”。我一般会按顺序执行四条命令，花不了两分钟，但对全局会有非常清楚的把握。

import pandas as pd df = pd.read_csv('wine.csv') print(df.shape) # 行数、列数 print(df.head()) # 前5行，看字段内容和格式 print(df.info()) # 每列的非空数量、数据类型 print(df.describe()) # 数值型字段的均值、标准差、分位数

df.shape告诉你数据规模，这个直接决定后续操作的复杂度。df.head()能让你对每个字段长什么样有个直观感觉，比如description是长文本、price是整数还是小数、title里是否包含年份。df.info()是全项目最关键的一步，它会把每列的非空个数和数据类型一次性列出来，缺失值严重程度一目了然。df.describe()则让你对价格和评分这两个核心字段的分布心里有数，比如平均分是不是在88左右，价格范围是不是从4美元到2000多美元。

这四条命令跑完，项目的数据画像基本就出来了。我见过不少同学一上来就df.dropna()，结果把一半数据都删了，就是因为没先看info()，到后面分组统计时才发现样本量严重不足。

2.2 description字段：最容易被忽视的信息池

在数据集里，description字段是品酒师写的品酒笔记，一段一两句话的英文文本，比如“A ripe and juicy red with blackberry and cherry aromas, firm tannins and a fresh finish.”。很多人在做这个项目时会忽略它，因为既不是数值，也不是国家酒庄这种可以直接分组的字段。

但实际上description至少有两个用途。第一，它的长度可以作为“评论详细程度”的代理指标，有些报告会用它来分析酒款是否受到品酒师更多关注，长评论文本往往意味着这款酒有更多可说的地方，通常是名庄或高分酒。第二，如果后续想做得更深，可以用简单的词频统计看不同国家酒款的描述里出现的高频词，比如法国酒常出现“tannins”“earth”，新西兰酒常出现“tropical”“crisp”，这能让报告多一个维度的分析。

不过对于基础实训，我建议不用做太复杂的文本挖掘，构造一个review_len=df['description'].astype(str).str.len()字段就足够了，后面可以按价格区间对比平均评论长度，这样报告会更有层次。

2.3 缺失值与数据类型的整体感知

看完info()之后，通常会发现这样几个典型情况：price字段有一定数量的空值；region_2字段缺失非常严重，可能有50%以上都是NaN；taster_twitter_handle也有大量缺失；还有个别字段类型不太对，比如价格被读成了object而不是float。

遇到这些问题不要慌，先记录下来，后面清洗时逐个决策。缺失值的处理策略并没有统一答案，取决于字段重要性和缺失比例。region_2这种二级产区，缺失一半以上，直接删列即可；price是核心数值字段，缺失比例通常不会太高，可以考虑删除缺失行或填充；taster_twitter_handle只是品酒师的社交账号，对于本次分析没有实际用处，也可以直接删。

我习惯先把这些判断写成一个清单：

• country：少量缺失，删除缺失行或填充后保留；
• province：跟着country走，先保留；
• region_1：缺失比例约20%，可保留但分组时要注意；
• region_2：缺失严重，删除；
• taster_twitter_handle：与分析无关，删除；
• price：核心字段，看缺失比例决定删行还是填充；
• description：基本无缺失，可直接用。

3. 清洗与构造：脏数据处理的取舍逻辑

3.1 缺失值处理：不是所有NaN都该删

清洗环节，我见过最粗暴的方案就是一上来df.dropna()，把包含任何空值的整行都删掉。这种做法的代价非常大。假如数据有10万行，因为price缺了几百条、region_1缺了两万条，如果直接dropna()，可能只剩五六万行，信息损失极其严重。

正确的做法是先按字段区分对待。我一般按缺失比例来分档：缺失率低于5%的字段，可以直接删除缺失行；缺失率在5%到30%之间，需要看字段本身重不重要，重要字段可以考虑用均值、中位数或众数填充；缺失率超过50%的，除非是分析的核心维度，否则直接删列。对于price这种核心变量，我更倾向于先把空值行删掉，因为后续计算均价、相关系数都不希望引入填充带来的噪声。

另一个实用小技巧是，用df.isnull().mean().sort_values(ascending=False)这一步，直接把每列缺失比例按从高到低排出来，决策起来非常直观。

missing_rate = df.isnull().mean().sort_values(ascending=False) print(missing_rate)

3.2 类型转换与异常值：价格里的“离谱数据”

读入CSV时pandas会自动推断类型，但往往有不靠谱的时候。比如价格列如果有少量数据是字符串形式，比如“$12”或者“12.5 USD”，整列就可能会被推断成object类型。这种时候需要强制转换：

df['price'] = pd.to_numeric(df['price'], errors='coerce') df['points'] = pd.to_numeric(df['points'], errors='coerce')

errors='coerce'的意思是，转不过来的值会被置成NaN，而不是直接报错中断。转完之后再结合isnull()看一下多出了多少空值，就知道原始数据里有多少格式不规范的记录了。

关于异常值，价格字段最容易出现两类问题：一类是0值，另一类是极端离谱的大值，还有少数格可能高到几千美元，虽然真实存在但不是主流样本。处理时我不会直接删掉所有高价酒，因为顶级名庄的价格本身就是分析的一部分，但如果某个价格明显超出合理范围，比如单价写成几千美元，需要先对比describe()里的分位数来判断。如果你的报告重点是“大众市场葡萄酒的规律”，那可以把价格超过某个分位（比如99分位）的样本单独拿出来看，而不是一刀切。

3.3 三个新特征让报告更好写

完成基础清洗之后，下一步是构造几个报告里一定会用到的新特征。我认为有三个字段性价比最高。

价格区间字段，把连续的价格离散化成几个档位，便于后续做分组对比。推荐用pd.cut：

bins = [0, 20, 50, 100, 10000] labels = ['20美元以下', '20-50美元', '50-100美元', '100美元以上'] df['price_range'] = pd.cut(df['price'], bins=bins, labels=labels)

评分档位字段，把评分映射成文字标签，写报告时直接引用：“85分以下为普通酒款，86-90为优秀，91-95为顶级，96以上为传奇。”这个分类标准在葡萄酒评论领域比较常见，可以让报告的专业性提高一个档次。

def points_level(p): if p >= 96: return '传奇级' elif p >= 91: return '顶级' elif p >= 86: return '优秀' else: return '普通' df['points_level'] = df['points'].apply(points_level)

评论长度字段，用description的字符长度来代表品酒笔记的详细程度：

df['review_len'] = df['description'].astype(str).str.len()

这三个字段加上原始的国家、省份、品种、酒庄、年份，基本上可以支撑一份报告里90%的分组分析需求了。

4. 指标计算与分组聚合：让数据替你回答业务问题

4.1 整体画像：算出一组“可以写进报告”的数字

清洗和构造完成之后，先来做整体画像。这一步的目的是算出几个有代表性的数字，让你对数据集有个宏观认知，同时也是报告开头的核心素材。

我会先看这几个指标：总记录数、酒款覆盖的国家数、品种数、酒庄数；价格字段的均值、中位数、最小值和最大值；评分字段的均值、中位数、最小值和最大值；评分最高的酒款信息和最贵的酒款信息。

overview = { '总记录数': len(df), '国家数': df['country'].nunique(), '品种数': df['variety'].nunique(), '酒庄数': df['winery'].nunique(), '平均价格': round(df['price'].mean(), 2), '价格中位数': round(df['price'].median(), 2), '平均评分': round(df['points'].mean(), 2), '评分中位数': round(df['points'].median(), 2), } print(overview)

我最关注的是均值和四分位数的组合。均价容易被少数天价酒拉高，所以一定要同时看中位数，这样报告里可以写“均价约35美元，但中位数只有28美元，说明大部分酒款集中在偏低价格带，少数高端酒拉高了整体均值”。这种表述非常见功底，能明显提升报告的层次。

4.2 国家维度：哪里产的酒评分高、价格贵

整体画像完成之后，第一个真正意义上的分组分析是按国家看差异。这里要特别强调一点：分组之后不要只看平均值，一定要同时看样本量。如果一个国家只有3条记录，平均分再高也没有统计意义，写进报告反而会误导读者。

我一般会这样聚合：

country_stats = df.groupby('country').agg( 酒款数=('country', 'size'), 平均价格=('price', 'mean'), 中位价格=('price', 'median'), 平均评分=('points', 'mean'), 中位评分=('points', 'median'), ).round(2) # 按酒款数从多到少排，只保留样本量足够的国家 country_top = country_stats[country_stats['酒款数'] >= 50].sort_values('酒款数', ascending=False) print(country_top.head(10))

从实际数据来看，美国、法国、意大利、西班牙这几个国家的酒款数量会排在前列，而英国、德国、奥地利等虽然酒款数偏少，但平均评分往往不低。这种“样本量和评分倒挂”的现象本身就是报告里可以做文章的点：精品酒庄产酒量小，评分更容易集中在高端区间；大规模产酒国则因为基数大，评分分布更分散。

4.3 品种维度：先过滤样本量，再谈对比

按品种分析时，有一个新手必踩的坑：数据集里可能包含几百种葡萄品种，其中大量品种只出现了一两次。如果直接对整个groupby结果排序，会发现榜首全是极小众品种，完全不具备参考价值。

正确做法是先过滤出出现次数足够的品种，再比较均价和均分。这个阈值我习惯设为100条，低于这个样本量的品种不做横向对比。

variety_counts = df['variety'].value_counts() top_varieties = variety_counts[variety_counts >= 100].index variety_stats = df[df['variety'].isin(top_varieties)].groupby('variety').agg( 酒款数=('variety', 'size'), 平均价格=('price', 'mean'), 平均评分=('points', 'mean'), ).round(2) print(variety_stats.sort_values('平均价格', ascending=False).head(10))

做完之后，你会发现很有意思的现象：赤霞珠和黑皮诺这两个品种的平均价格明显高于梅洛，但平均评分不一定有同样差距。这时候报告里可以再深入一步，思考是品种本身的市场定位决定了价格，还是产区和酒庄品牌的溢价传导到了品种维度。当然，数据只能告诉你“是什么”，不能直接告诉你“为什么”，但写成报告时指出这种差异和可能原因，会显得思考完整。

4.4 相关系数：价格贵和评分高到底有多大关系

这个数据集里最经典也最重要的问题就是价格和评分的关系。计算方法特别简单：

corr = df['price'].corr(df['points']) print(f"价格与评分的相关系数: {corr:.3f}")

在不同版本的葡萄酒评论数据集里，相关系数通常落在0.3到0.4之间，属于中等偏弱的正相关。这个数字的含义是：价格和评分确实有正向关系，但价格只能解释评分变化的一小部分，还有大量变量是价格解释不了的。

写报告时这个结论要表述得非常小心。不能说“价格越贵评分越高”，因为0.3左右的相关系数根本支撑不住这种强因果表述。更准确的说法是“价格与评分存在弱到中等的正向相关，高价区间出现高评分酒款的概率更高，但高价并不保证高品质，低价格区间同样存在大量高评分酒款”。这种表述既尊重数据，又能展示出分析者本人的数据素养。

如果还想更进一步，可以用numpy计算分组后的相关系数，比如只看价格在50美元以下的酒款，相关系数可能会降到0.2以下，说明在平价酒范围里，价格和品质的关联更弱。这组对比非常能体现分析深度，我在报告里一般都会加上。

5. 可视化：三张图把价格与评分的结论钉死在报告里

5.1 价格分布：直方图配对数变换才讲得清楚

价格字段的分布是典型的长尾右偏分布，大部分酒款集中在10到50美元区间，少数酒款价格冲到几百甚至上千美元。如果直接把原始价格画成直方图，你会发现右边拖出长长的尾巴，左边挤成一团，完全看不出分布形态。

解决办法是先对价格做对数变换，这里我用的是np.log1p，即log(1+x)，好处是能处理价格为0的情况：

import numpy as np import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False log_price = np.log1p(df['price'].dropna()) plt.figure(figsize=(8, 5)) plt.hist(log_price, bins=60, color='#4C72B0', alpha=0.8) plt.xlabel('价格（对数变换后）') plt.ylabel('酒款数量') plt.title('葡萄酒价格分布（对数变换）') plt.tight_layout() plt.savefig('price_distribution.png', dpi=100) plt.show()

对数变换之后的分布形态会清晰很多，能看到明显的峰值在20美元附近，右侧逐渐衰减。报告中配一句说明“对价格取对数后，分布近似单峰形态，主体市场高度集中在30美元以下”，比直接说“大多数酒很便宜”有说服力得多。

5.2 分组合比：箱线图直接暴露价格档位差异

箱线图最适合用来对比不同组别之间的分布差异。这里我选择按价格区间分组，看每个组内评分的分布情况。这不仅直观展示了价格档位和评分的关系，还比单看均值多了中位数、四分位距、异常值等丰富信息。

order = ['20美元以下', '20-50美元', '50-100美元', '100美元以上'] data_by_range = [df.loc[df['price_range'] == r, 'points'] for r in order] plt.figure(figsize=(9, 5)) plt.boxplot(data_by_range, labels=order, showfliers=False) plt.xlabel('价格区间') plt.ylabel('评分') plt.title('不同价格区间的评分分布') plt.tight_layout() plt.savefig('boxplot_by_price.png', dpi=100) plt.show()

箱线图做出来之后，你能很明显地看到中位数随着价格档位上升而抬升，但50到100美元和100美元以上两个档位之间的差距会明显变小。这说明价格对评分的边际效应递减，价格涨到一定程度之后，评分的提升空间就有限了。这个细节如果只在数据表里看数字，很难形成直觉，但一张图就够了。

5.3 散点图加趋势线：一张图证明结论

散点图是展示价格与评分关系的首选。不过这个数据集的点非常多，直接plt.scatter画出来会非常密集，点与点互相重叠，图上一片黑。两个处理技巧：一是设置alpha透明度，二是把点画小一点。

加上线性趋势线的方式也值得推荐，用numpy.polyfit拟合一次多项式，然后叠加到散点图上：

valid = df[['price', 'points']].dropna() x = valid['price'].values y = valid['points'].values plt.figure(figsize=(8, 6)) plt.scatter(x, y, s=2, alpha=0.15, c='#4C72B0') k, b = np.polyfit(x, y, 1) x_line = np.linspace(x.min(), x.max(), 100) plt.plot(x_line, k * x_line + b, color='red', linewidth=2) plt.xlabel('价格（美元）') plt.ylabel('评分') plt.title('价格与评分关系散点图') plt.xlim(0, 300) plt.tight_layout() plt.savefig('scatter_price_points.png', dpi=100) plt.show()

x轴我会限制在300美元以内，因为绝大多数样本都在这个区间，超过之后点非常稀疏，反而会压缩主体部分的显示比例。趋势线画出来之后，红色直线明显是向上倾斜的，但斜率不大，配合4.4里的相关系数0.3左右，这个“弱正相关”的结论就非常直观了。

5.4 中文字体问题：Linux环境下最常踩的坑

头歌平台很多实训环境是Linux服务器，默认不支持中文字体，图表里所有中文都会变成方框。这个坑我在实训和实际项目中都踩过，几乎每个用matplotlib画中文图的同学都会遇到。

解决办法有两步。第一步是代码里配置字体：

plt.rcParams['font.sans-serif'] = ['WenQuanYi Zen Hei', 'Noto Sans CJK SC', 'SimHei'] plt.rcParams['axes.unicode_minus'] = False

第二步是检查系统里到底有没有中文字体。在Linux终端执行fc-list :lang=zh，如果输出为空，说明系统里压根没装中文字体，那就要么安装字体包，要么先把图里的文字全部改成英文。对实训来说，最省事的方案其实是全程用英文做图表标签和标题，避免字体问题。我个人的建议是：如果时间紧张，就用英文标签，把中文解释放在报告正文里；如果想让报告整体美观，则先确认环境有对应字体再配中文。

6. 报告组织与提交流程：别让前面的功夫毁在最后一步

6.1 报告结构的推荐模板

数据分析报告和写作文不一样，不需要华丽的辞藻，但必须结构清晰、数据有来源、结论有支撑。我推荐一个直接可以套用的模板，这个结构不管是实训提交还是真实工作中做数据报告都适用。

• 数据来源与说明：一句话说明数据集的规模、字段含义，以及清洗策略，让读者知道你的数据底子是什么；
• 整体画像：用总记录数、国家数、均价、中位价、平均评分、最高评分酒款等指标，让读者快速建立全局认知；
• 国家与品种对比：通过表格或图表展示不同国家、品种在价格和评分上的差异，注意突出样本量最大的几个组；
• 价格与评分关系：给出相关系数，搭配散点图或箱线图，说明相关性强弱及边际递减现象；
• 主要结论与讨论：把前面分析的结果浓缩成3到5条结论，每条必须带具体数字支撑。

这个结构的核心逻辑是“从宏观到微观、从描述到关系、从数据到结论”，读者跟着一步步读下来，不会迷路。

6.2 每个结论都必须有数字撑腰

写结论部分最容易犯的毛病是“空对空”。比如写“法国葡萄酒整体品质较高”，这句话本身就是废话，没有数据支撑。带数字的写法应该是“法国酒款平均评分为89.2分，高于全球平均分88.4分，且中位价格达到42美元，是美国酒款中位价格的两倍左右，说明法国酒整体定位偏高端”。

数字报告还有一个好处是，它能强制你回到数据里去核实每一个说法。写着写着，你可能会发现“原来英国酒平均评分比法国还高，只是样本量小”，这时候你就有机会在报告里补充一句“英国酒款数量仅占样本的1%，统计分析意义有限”，这就叫严谨。

我还会在报告的每个图表下面写一两句“图注”，告诉读者这张图能看出什么。图注并不是把图里的轴标签复述一遍，而是提炼出关键发现。比如箱线图下面写“100美元以上价格区间的评分中位数仅比50-100美元区间高0.3分，但价格翻倍”——这才是图注该有的信息量。

6.3 平台提交的常见错误与排查

实训项目代码在本地跑通了，上传到头歌平台却报错，这种情况非常常见。最常出现的问题有这么几类。

路径问题。平台的工作目录和你本地不一样，如果代码里写死了绝对路径，比如C:/Users/xxx/wine.csv，上传之后必然报文件找不到。正确做法是用相对路径，或者用os.path拼接，先打印当前工作目录确认CSV文件的位置。

import os print(os.getcwd())

可视化backend问题。无图形界面的Linux服务器上，plt.show()不会弹窗，有些环境还会直接报错。稳妥的做法是在代码开头强制指定matplotlib的Agg后端，然后所有图片用savefig保存到文件，不需要show：

import matplotlib matplotlib.use('Agg')

版本差异问题。本地pandas可能是2.x版本，平台可能是1.x版本，个别API行为会有差异。常用接口如groupby、agg、merge在这些版本间基本兼容，最需要注意的是inplace参数、append方法（2.x里已移除）这类细节。代码里尽量避免使用已经废弃的API。

输出格式问题。自动判题对输出格式有严格限制时，不要画蛇添足。要求打印平均分，就只打印平均分，不要在中间穿插警告信息或调试日志。我习惯在提交前先检查一遍所有print语句，确保输出的每一行都是评测需要的格式。

6.4 最终脚本的代码组织

为了让整个项目结构清晰，我会把所有代码组织成“读取—清洗—分析—可视化—输出”五个函数，最后用main统一调用。这样写的好处是，中间任何一步需要调整，都只改对应函数，不用动其他部分。

一个简单的组织方式长这样：

def load_data(path): ... def clean_data(df): ... def analyze(df): ... def visualize(df): ... def generate_report(df): ... if __name__ == '__main__': df = load_data('wine.csv') df = clean_data(df) analyze(df) visualize(df) generate_report(df)

每个函数内部通过print输出关键结果，图通过savefig保存到当前目录。这样整个项目跑完，终端能看到数字结论，目录下会生成几张图表，报告文本可以直接从输出里复制整理。提交的时候，只需要确认没有多余的文件依赖，所有代码都能在一个标准Python环境里跑通即可。

最后分享一个我个人的习惯。做完整个分析之后，我会在报告末尾附上分析环境的基本信息，比如“Python 3.9 + pandas 2.0 + matplotlib 3.7”，同时用seed固定随机过程（虽然这个项目没有随机抽样，但这个习惯是通用的）。这个习惯在实训里可能看不出来太大价值，但当你过两个月回看这份报告，或者代码换了环境重新跑一遍却对不上数字时，你会发现版本信息是你排查问题最重要的起点。实训作业是这样，以后做任何数据分析项目，这条都适用。