AIGC高效编程:Python数据可视化案例教程:十三个 AI 小节,只教会一件事——抄
一、先看骨架:十三章、六个库、一张学时表
这本书的编排很老实,老实到有点笨:先把数据可视化是什么讲清楚(第一章,1 学时),再花一章装环境(第二章,2 到 3 学时),然后一个库一章地过。Matplotlib 分了两章,一章基础、一章进阶;pandas 的内置绘图一章;Seaborn 一章;pyecharts 一章;Plotly 一章;Bokeh 一章。第九到第十二章是四个案例:渐变饼图、双向柱形图、动态图表、Matplotlib 嵌进 PyQt5。
前言里附了一张建议学时表,第 1 章 1 学时,第 2 章 2 到 3 学时,第 3 到 9 章每章 3 到 6 学时,第 10 到 13 章每个案例 1 学时。把这张表加起来,全书大概三十来个课时。这张表比任何一句简介都更能说明这本书是什么:它是给一个学期的课堂写的,衡量它的尺子是「课时讲不讲得完」,不是「读者能不能干活」。
AI 的部分挂在哪儿?我数了一下页码。第二章有一个「在 PyCharm 中引入 AI 工具」(3 页);第三章 3.4「AI 辅助编程」(6 页);第四章 4.6(11 页);第五章 5.5(6 页);第七章 7.4「利用 AI 技术高效学习」(2 页);第八章 8.6(8 页);第九章 9.5(6 页);第十章 10.6(9 页);第十一章 11.6(7 页);第十二章 12.6(5 页);第十三章 13.7(4 页)。合计六十七页,占全书 689 页的不到一成。
这里有个细节很说明问题:第六章讲 Seaborn,全书唯一一个没有 AI 小节的章节。前后十一章都有,就它没有。这不是编排上的取舍,更像是素材凑不上——Seaborn 那一章没有找到合适的 AI 演示,就干脆跳过了。一本把 AI 写进书名的教材,AI 小节的分布居然是看素材、不看教学逻辑,这件事本身就够写一条批注了。
这一章的结尾也值得一提。1.4 讲怎么选图表类型,给了一张「图表分类框架」图,把图按用途分成几组:比较、分布、构成、联系,每一组下面挂一串具体图表——柱形图、堆叠柱形图、条形图、折线图、面积图、饼图、环形图、散点图、箱线图、直方图、热力图、密度热力图、雷达图、提袋图(原文如此,应为漏斗或类似图)、曲面图,还提了一句「通过图表的相互叠加还可以生成复合图表」。1.5 讲图表的八个组成部分:画布、图表标题、绘图区、数据系列、坐标轴及坐标轴标题、图例、文本标签、网格线,配一张都标了号的示意图。
这两节是全书的底子,写得比后面很多章节都扎实。学生如果只记一样东西,我建议记 1.5 那八条——它是所有绘图库的公共语法:不管你用 Matplotlib 还是 Plotly,调的都是这八个东西,只是名字不一样。可惜后面十几章从头到尾再没有回到这张图,六个库各讲各的,读者很难把「set_zlabel 是坐标轴标题」这种事跟 1.5 那张图对上。
二、它的 AI 到底在干什么:加注释、解释代码、答名词
第三章 3.4 是全书第一个正式的「AI 辅助编程」,也是最能代表这本书立场的一节。三个子节,标题分别是:添加代码注释、解释代码、智能问答。
第一个子节教的是:在代码后面敲一个「#」,Comate 会自动把注释补出来,按 Tab 采纳;批量加注释则是打开侧边栏的「/指令」,点「/行间注释」,选中代码,回车,AI 把带注释的代码还给你,点「采纳」。示范的代码只有三行:
「import matplotlib.pyplot as plt / plt.plot([1, 2, 3, 4, 5]) / plt.show()」
三个字:加井号。这本书里最早、最完整的一次 AI 演示,是让 AI 给 import 语句写注释。
第二个子节教「解释代码」:选中上面那三行,右键,选解释,AI 会告诉你 pyplot 是什么、plt.plot 的参数是 y 坐标、x 坐标被自动补成了索引。这段解释其实写得不错,对学生来说是有用的。第三个子节教「智能问答」:问「什么是箱形图」,AI 把箱体、须、异常值讲一遍。
三节加起来六页,AI 干的活是:注释员、讲解员、词典。这三件事都有用,我上课也会让学生这么干。但它们离「AIGC 高效编程」这四个字还很远——这不是用 AI 写程序,这是用 AI 读程序。真正的 AI 编程长什么样?让 AI 根据需求出一版能跑的代码,跑出来不对,把报错贴回去,让它改,改完再看图对不对。这本书后面几章其实这么做了,但它在最该立规矩的第三章,立的规矩是「让 AI 帮你读」。
还有一个细节值得记下来。第二章介绍完三个 AI 插件(Baidu Comate、Fitten Code、CodeMoss),2.6 节结束,紧接着的「小结」写的是:「本章介绍了 4 款数据分析常用的开发工具,包括 Python 自带的 IDLE、集成开发环境 PyCharm、数据分析标准环境 Anaconda 和 Jupyter Notebook 开发工具。」三个 AI 插件,一个字没提。小结和正文各写各的,说明 AI 那部分在这本书的写作流程里,是后来贴上去的。
顺便说 2.6 那三页。它把三个插件的安装路径写得很清楚:File—Settings—Plugins—Marketplace,搜名字,点 Install。Comate 介绍成「基于 AI 的智能代码生成工具」,Fitten Code 介绍成「支持多种语言……可以自动完成代码、生成注释、编辑代码、解释代码、生成测试、查找错误」,CodeMoss 介绍成「集成了多种先进的人工智能模型,支持代码编写、智能对话、文档生成」,还特别注明「需先确保 PyCharm 版本为 2022.2.5 及以上」。三页读完,读者知道怎么装,但不知道装哪个、为什么。三个插件并列摆着,各给一段介绍,选型这件事又一次留给了读者——这几乎是这本书的固定动作。
三、全书最好的一段,藏在 3D 曲面图里
第四章 4.6 节,标题也叫「AI 辅助编程」,但内容换了:不是让 AI 解释,而是让 AI 画 3D 图。这一节的信息量比 3.4 大三倍,而且里面有一段我认为是全书最诚实的地方。
作者先用 AI 画 3D 柱形图,结果不满意,原文写得很直接:「利用 AI 工具绘制 3D 柱形图时,可能会出现 AI 工具给出的代码运行后结果不理想的情况」。然后他换了一个工具——「这时可以换另外一种 AI 工具再次询问。例如,利用『讯飞星火』绘制 3D 柱形图」。这是全书唯一一次承认「这个工具不行,换一个」,也是唯一一次把两个模型并排比。
更值钱的是后面。3D 曲面图跑出来,z 轴标签和图形叠在一起,看不成。AI 给了五条建议:
「(1) 调整标签位置:使用 ax.set_zlabel() 的 labelpad 参数来调整 z 轴标签与图形之间的距离……(2) 改变视角:使用 ax.view_init() 方法来设置仰角和方位角……(3) 调整字体大小……(4) 使用紧凑布局……plt.tight_layout()……(5) 手动调整子图位置……fig.subplots_adjust()」
然后作者写:「以上是 AI 工具给出的建议,根据 AI 工具给出的建议,我们使用方法 1 进行尝试,即使用 ax.set_zlabel() 的 labelpad 参数来调整 z 轴标签之间的距离」,把 labelpad 设成 46,问题解决了。
这六页是全书写得最好的一段,原因是它完整呈现了一次真实的 AI 协作:需求、失败、换模型、AI 给方案集、人挑一条试、成了。AI 在这里不是答案机,是方案库;人不是抄代码的,是试错的。这一段如果被单独拎出来做成一节方法论,这本书的价值会高一档。
可惜它没有被拎出来。作者紧接着就写下一节了,没有一句话总结「遇到 AI 给的代码不满意,应该怎么办」。这么好的素材,被当成了一个 3D 图的插曲。
四、最敷衍的一段:把 AI 的回答贴两页
第七章 7.4 叫「利用 AI 技术高效学习」,只有两页。第一页一段话:以前遇到不懂的语法要记笔记,现在可以随时问 AI;然后示范向通义千问问「什么是南丁格尔图」。第二页,把 AI 的回答原样贴完,占了整页,讲南丁格尔图是极区图、19 世纪克里米亚战争、士兵死于可预防疾病的比例。
问题在于,这两页的内容几乎一字不差地重复了一遍。第一页结尾 AI 答到「这一创新在当时是一种非常有效」,第二页开头又从「南丁格尔图(Nightingale Rose Chart),也称为极区图」重新讲起。也就是说,这段内容在排版时被整段重贴了一次。
这一节想说明的道理是对的:遇到不懂的名词,问 AI 比查书记得快。但作为教材,两页里有一页是重复的 AI 回答,读者从这一节里能带走的东西只有一句「可以问 AI」。而这本书有 689 页,它给「怎么用 AI 学习」这件事的全部篇幅,就是这两页。
五、最危险的一段:「动物森友会」那一节
第五章 5.5 是全书唯一一个「用 AI 设计一个有趣案例」的小节,六页。作者让 AI 设计一个巩固 pandas 绘图的案例,AI 选了《动物森友会》做主题,要画温度趋势、生物分布、降雨分布、物种相关性、温度分布五张图。
真正让我停下来的是这两页:AI 的思考过程被完整贴了出来,从「首先,我得考虑用户的需求是什么」开始,一路「他们可能已经学了 pandas 的绘图功能」「用户可能是学生或者刚入门的数据分析师」「深层需求可能包括学习如何创建多种图表」,一直到「总结下来,这个例子需要覆盖多种图表类型,使用有趣的数据主题,详细的代码注释」。整整两页,是模型的内心独白。
把这段独白当教学内容,我认为是个错误判断。它既不是知识,也不是方法,它只是模型在自言自语;学生读到的是「AI 想了很多」,学不到任何可操作的东西。六页的篇幅里,两页给了独白,一页给了效果描述,剩下三页是代码。
更关键的是数据。这个案例的数据集是这么来的:
「np.random.seed(2023) / months = np.arange(1, 13) / temperature = 5 + 15 * np.abs(np.sin(np.linspace(0, 2*np.pi, 12)))」
温度是按正弦波造出来的,降雨天数、昆虫种类、鱼类种类也都是随机数加经验系数。也就是说,这一节教的是「先编一套看起来合理的数据,再把它画得好看」。
数据可视化这门课的核心,是从真数据里看出规律、并且不骗人。造一套正弦波数据再画折线图,画出来当然漂亮——因为规律是你自己写进公式里的。这个案例放在「巩固绘图函数」的位置上没错,但它被当成「AI 提供的趣味案例」来示范,就等于告诉学生:AI 会给你一套看起来很专业的数据和代码,你照着跑就行。这套东西拿到真实项目里,第一步就崩了。
我不反对用游戏题材做案例,学生确实更容易看进去。但题材有趣和结论可靠是两件事。真要这么写,至少该补一句:「这只是练手用的模拟数据,真实项目里数据先脏后乱,清洗通常比画图花的时间多。」书里没有这句,六页读下来,读者记住的是「AI 能给你一套完整方案」,而不是「这套方案的前提是数据是我编的」。
六、案例章:AI 从注释工升成顾问,但始终没有验收
第十到十三章,AI 的角色变了,这一点值得肯定。它不再只是加注释,而是开始给思路、给方案。
第十章「渐变饼图分析销量占比」,10.6 让 AI 给「Python 数据可视化分析各区域销售占比情况的基本思路」,AI 答了四步:数据准备(收集、清洗)、数据处理(groupby 按区域汇总、算占比)、数据可视化(选图表类型、画图)、结果分析(找出表现最好和最差的区域),并附了一段示例代码,用 plt.pie 加 autopct 画占比,还给了「可选图表类型」的三条建议:饼图适合展示占比、柱状图适合比较销售额、条形图适合区域名称较长时使用。
这三条建议看着平淡,其实是全书最接近「判断力」的内容。什么时候用饼图、什么时候用条形图,是数据可视化真正的门槛,而它出现在 AI 的回答里,不在正文里。
第十一章更进了一步。11.6 的问题写得很具体:「我使用 Matplotlib 编写了一个双向柱形图分析个人收入与支出,请给出一个更好的方案。」AI 给了三个方案,然后列了七条改进建议,最后作者让 AI 直接改代码,改完对比,列出「AI 改进了以下 5 个方面」:视觉上用绿色 #4CAF50 表示收入、红色 #F44336 表示支出,透明度 0.8;数据展示上加净收入折线;图表元素上补网格线、图例;代码结构上函数封装、加随机种子保证可重复;体验上自动调整 y 轴范围、支出数据范围收在 3000 到 8000。
这一段的收尾写得挺诚恳:「那么,对比源程序,经过 AI 改进后的程序不仅更加美观,而且还提供了更多有价值的信息(如净收入趋势)……在当今技术快速发展的时代,AI 如同编程的『加速器』,因此,我们要学会与 AI 协作。」
但我必须指出这一整章缺的那一步:没有验收。AI 把图改好看了,可净收入折线算得对不对?「支出占收入的百分比」这个口径合不合理?y 轴自动调整之后,两个月的柱高看起来差不多,会不会误导?全书十三章,AI 给了几十段代码,没有一处教读者怎么验算——哪怕是最简单的一句「把 AI 算出来的数和手算的对一遍」。教人用 AI 而不教人验收 AI,是把最危险的那一半留给了读者。
第十二章和第十三章的 AI 小节,角色又退回去了。12.6 是「设计 Animation 小动画」:作者说为了学好 animation 模块,让 AI「制作适合初学者练习的小动画」,AI 给了几个从易到难的例子——移动的小球、方块、随机漫步,都是三四十行代码。13.7 是「增加图表类型选择功能」:作者的 PyQt5 程序已经有「最近 7 天/14 天/30 天」三个按钮,想让用户还能选图表类型,AI 给了五步思路——加 QComboBox、把 update_chart 改造成按类型分支、归一化按钮回调、把下拉框塞进布局、再考虑配色和扩展。
这两节的共同点是:AI 给的是「思路 + 代码片段」,读者拿到的是一份可以照着拼的乐高说明书。它们比 3.4 有用,但仍停在「把答案抄下来」的层面。全书十三个 AI 小节,没有一个告诉读者:这段代码你抄回去之后,怎么知道它在你自己的数据上是对的。
最值得对照的是 4.6 那一次失败。那是全书写到的唯一一次 AI 没给对——它画的 3D 柱形图「结果不理想」,作者换了模型才成。除此之外,AI 在这本书里从不出错:问什么答什么,给什么跑什么。一个用了十三个小节讲 AI 的教材,只承认过一次 AI 会失手,这个比例本身就是一种误导。
第八章 8.6 那个例子把这个问题摆得最清楚。它让 AI 用 Plotly 加 Tushare 画动态股票 K 线图,AI 给了完整代码,包括获取 token、调接口、画 K 线、加 range slider 和按钮切换图表类型,最后还附了四条「扩展功能建议」:加 MACD/KDJ/RSI 指标、多股对比、实时更新、允许用户在图上加注释。书里也老实写了「注意:Tushare 的免费 API 可能有调用限制,如需更多数据或更高频率调用,可以考虑升级到付费版本」。但整段没有一个字说:如果没注册、没有 token、接口当天返回空,这段代码该怎么改。读者照着敲,八成像我一样卡在第一步——不是卡在画图,是卡在数据进不来。
七、它的短板
第一,AI 小节的体例是「贴对话」,不是「讲方法」。十三个 AI 小节里,有九个的格式是完全一样的:【问题】、【AI 回答】、代码、运行结果。读者看到的是别人跟 AI 聊天的记录,不是可以迁移的做法。真正有教学价值的问题——怎么把需求说清楚、AI 给的代码跑不通怎么办、怎么判断它有没有胡编参数——一个都没写。
第二,全书没有一节讲验证。这一点我在上一节已经说了,但它值得单列。读者拿 AI 生成的代码画图,图出来了就算成功;图不对,就再问一遍。这个循环里没有「验算」这个环节。数据可视化最怕的就是「图画得很漂亮,但数是错的」,而这本书恰好把这半边空着。
第三,六个库并列,却不教怎么选。第一章 1.3 用三页介绍了 Matplotlib、pandas、Seaborn、pyecharts、Plotly、Bokeh 各自的特点,1.4 讲怎么选图表类型(比较、分布、构成、联系四类,配一张分类框架图)。但全书没有一个地方回答「我手上这份数据,该用哪个库」——是 Matplotlib 够用,还是必须上 Plotly 做交互?静态图给报告、交互图给网页,这条线书里没画。学生学完十三章,六个库都会调,遇到真项目还是不知道该动哪个。
更明显的是重复。第一章 1.3 讲 Seaborn 的那段是:「Seaborn 适用于数据挖掘和机器学习中的变量特征选取。相比 Matplotlib,Seaborn 的语法相对简洁,不需要花费过多时间去美化图表,但是它的绘图方式比较局限,不够灵活。」到了第六章开头的 6.1.1,同一段话一字不变地又出现了一遍。Matplotlib、pandas 也差不多:第一章给过的定义,到各章开头再抄一次。这不是复习,是体例上的省事——每一章都要有一段「简介」,手边现成的就是第一章那几行。
第四,案例的数据来源单一,且大量依赖资源包。习题几乎全是「将资源包 Code\datas 文件夹中的某 xlsx 作为数据集,绘制某图」——读者拿不到资源包,习题一道也做不了。而唯一一个用真实外部数据(Tushare)的案例,又卡在 token 上。教材依赖配套资源没错,但把全部习题都绑在资源包上,等于把自学者排除在外。
第五,插件部分注定最快过期,而且它自己知道。第 2.6 节介绍的三个插件是 Baidu Comate、Fitten Code、CodeMoss,安装路径精确到 File—Settings—Plugins—Marketplace,截图停在 2024 年。这类内容一年就会失效一半:插件改名、菜单挪位、模型换代。全书最需要「常读常新」的一节,恰恰是最快过期的一节。而它又是这本书唯一一处讲「怎么把 AI 装进工作台」的地方。
第六,AI 那一半与正文是两张皮。正文讲 Matplotlib 的 set_zlabel、讲 pandas 的 groupby,写得准确、克制、例子清楚;AI 那一半讲「问 AI 要代码」,语气体例完全不同,像是另一批人写的。最明显的证据还是那个小结:2.6 讲了三个 AI 插件,小结说本章讲了四款开发工具,AI 一个字没提。
八、一句话
如果只留一句:这本书的 Python 部分可以用,AI 部分要当参考消息看,不能当方法学。
它的好处是真的:六个库一个不落,每个库都给到「能画出图」的程度;图表八要素、图表分类框架这种基础,讲得比很多网课清楚;4.6 那段「AI 给五条建议、人试第一条」和 11.6 那段「AI 改稿清单」,是能直接抄来用的东西;案例章从数据准备到结果分析的流程,也是完整的。
它的问题也是真的:AI 在书里始终是个「回答问题的人」,不是「一起干活的人」;全书没有一次验收,没有一次失败复盘,没有一次「AI 这地方在胡说」;十三个 AI 小节里,最像 AI 的(3.4)教的是加注释,最敷衍的(7.4)贴了两页重复的问答,最危险的那节(5.5)让人先造数据再画图。
至于怎么读:把十三章当 Python 绘图手册,遇到哪个库翻哪一章,习题能跳过就跳过(没有资源包做不了);AI 那六十七页,只精读 4.6 和 11.6 两节,其余翻过去就行。真想学「用 AI 写代码」,这本书给不了——它给的是「用 AI 查代码」,这是两件事,差着一整个验收环节。
AI 实战导师 / 企业 AI 落地顾问 / 智能体工程师,17 年跨界、15,000+ 小时 AI 实操、20+ 套已交付工作流。
发表评论: