数据分析类作业的评分点分布很特别：代码占一部分，报告和分析结论占更大一部分。很多同学代码写对了，却因为图表没有单位、结论与数据对不上而丢掉大半分数。
工具覆盖
- Python：pandas 数据清洗、numpy 数值计算、matplotlib / seaborn 可视化、scikit-learn 建模
- R：dplyr 与 tidyr 数据处理、ggplot2 可视化、R Markdown 报告
- SQL：多表关联、窗口函数、聚合分析、查询优化
- Excel：数据透视表、函数建模、透视与图表
- Tableau / Power BI：交互式仪表板设计
- Spark：大规模数据处理的 DataFrame 与 RDD 操作
交付内容
1. 可复现的代码
脚本或 Notebook 形式，含数据读取、清洗、分析与可视化全过程，固定随机种子保证结果可复现。
2. 分析报告
说明数据来源、清洗策略、分析方法选择理由与最终结论。重点解释「为什么用这个检验方法」，而不是只贴结果。
3. 规范图表
每张图都带标题、坐标轴单位、图例与图注。如果需要对比基准（例如均值线、置信区间），会一并标注。
常见作业类型
- 数据清洗与描述性统计（缺失值、异常值、重复值处理）
- 假设检验与回归分析（t 检验、方差分析、线性/逻辑回归）
- 时间序列分析（趋势分解、ARIMA 预测）
- 分类与聚类建模（决策树、随机森林、K-means）
- 可视化报告与仪表板设计
常见失分点
- 只贴代码不写分析，或分析结论与图表数据矛盾。
- 图表缺少单位与图注，读者无法独立解读。
- 缺失值与异常值未处理便直接建模。
- 模型评估只报告准确率，缺少混淆矩阵或交叉验证。