WorkBuddy技能评测 #172 | davila7 的数据分析分册：matplotlib 之外，真正省时间的是这三份
基本信息
- 技能名：davila7 数据分析分册（matplotlib、polars、exploratory-data-analysis、statsmodels、statistical-analysis、seaborn 等）
- 来源仓库 Star 数：18,837 / 18,834
- 分类：Data & AI
- 数据来源：SkillKit 中央技能库（第三方技能市场，非 WorkBuddy 官方自研）
它解决了什么痛点
数据分析最耗时的不是建模，是「把数据弄成能看的样子」和「别把统计用错」。这批技能分两类：画图与清洗（matplotlib、seaborn、polars、markitdown）解决前者——尤其 matplotlib 那份，把「中文字体报错、图例遮挡、双轴怎么排」这些每次都重查的问题固化了；统计与推断（statistical-analysis、statsmodels、aeon、sympy）解决后者——什么时候该用 t 检验、p 值 0.04 到底说明什么、时间序列怎么避免伪回归。
最实用的是 exploratory-data-analysis：它不教你画图，而是给你一套固定动作——先看缺失率、再看分布、再看异常值、最后才建模。多数人（和多数 AI）是直接跳到建模，然后在脏数据上得出漂亮但错误的结论。
对我有没有用（技术 / 自媒体 / AI / 读书）
技术：有用。你手上有 719 条技能数据、168 篇评测的发布记录、博客访问日志，这些都不需要复杂建模，需要的是「先看分布再下结论」的纪律——EDA 那份就是纪律。自媒体：强推组合。你的评测系列天然产生数据（哪个档位强推比例高、哪类技能对你更有用），用 polars + matplotlib 做一张图，就是一篇有信息增量的复盘文。AI：一般，这批是工具不是方法。读书：弱相关，除非做阅读数据统计。
要留个心眼：matplotlib 和 seaborn 是「写法参考」，不是什么魔法，模型本来就会画图；它们的价值在于减少来回调试，不在于能力提升。别指望装了就能出好图——好图取决于你想表达什么。
典型场景
你想复盘「168 篇评测里哪些技能真被用上了」。做法：装 exploratory-data-analysis + polars，让 AI 先把发布数据读成表，按档位/分类统计强推率，标出异常（某个档位强推率异常高其实是同质技能扎堆），再画一张分布图。成果：从「感觉 5w-8w 档更实用」变成「5w-8w 强推率 29%，10w+ 只有 11%，原因是后者被大厂内部工具占满」——这是能写进文章、也能指导你下一步挑技能的结论。
一句话结论
画图类可装可不装，EDA 与统计那几份才是防你得出错误结论的东西。
📊 完整对比数据见在线总表：WorkBuddy 技能市场全量调研总表（腾讯文档）
发表评论: