Python 数据分析 SOP 应把数据处理、实验推断与项目复现分开，每一步都留下输入、方法和限制。本文用虚构图书交流网站的“推荐书单入口 A/B 实验”说明：先检查合成事件表，再估计转化差异，最后从开源仓库学习可复现方法。案例数字只是计算演示，不是真实业务成绩，也不自动导向上线决定。
先写分析合同与数据字典
明确分析单位是随机分组的用户，而不是点击次数；定义曝光、成功事件、观察窗口、重复事件与缺失状态。合成表含匿名演示编号、分组、曝光时间、是否完成书单操作和数据批次，不含真实个人资料。原始输入只读，清洗副本、报告与执行记录放不同目录。 实验开始前约定主要指标、可接受的最小变化、样本规划、停止规则和保护指标。若实验已经结束才做分析，应如实说明哪些规则是事后确定，不能把探索性选择包装成预先计划。分析负责人确认随机分组、日志口径和数据权限，Agent 不通过列名猜出全部实验设计。
场景一：清洗与探索从保留原始证据开始
先通过 SkillPI Skill Finder 发现方法，再核对源版本、许可与依赖。可验证的 Exploratory Data Analysis 用在授权本地表的有界结构、缺失与异常概况，核心工具要求 Python 3.11 以上。它不自动清洗原始数据，不打印可识别原始记录，不提供确证性或因果结论；本例把推断另交明确统计方法。 检查编码、列名、类型、时区、重复键、分组缺失和成功事件取值。读取失败时保留错误，不用忽略解析错误的方式悄悄丢行。清洗规则必须有理由与数量记录，例如“重复日志按稳定事件键保留首条”需要先确认重复含义；两个不同事件不能因为字段相似就去重。 pandas 缺失数据文档说明使用 isna 等方法检测缺失。缺失不等于零，空白字符串也需按输入合同处理；不能为让检验跑通全部填零。按组检查缺失比例、样本数量与观察窗口，发现分组失衡或跟踪异常先调查，不急着输出优胜版本。 交付数据质量表、清洗规则、处理前后行数和只读输入记录。对数量或时长画分布时标清单位、范围与被排除项，异常值先列为待核查；不同处理方案会改变结果时报告敏感性，不能只保留最有利的版本。
场景二：A/B 显著性要先确定估计目标
本例关注两组用户在固定窗口内完成书单操作的比例差 B 减 A。若同一用户反复贡献记录，不能将每条事件当独立样本。若按群组随机分配，需考虑群组结构。连续时长、比例与排序指标对应不同问题，不能让计算器只凭数据外观自动在 t 检验、卡方或秩检验之间挑一个再给上线结论。 GitHub 的 statsmodels 有明确统计职责、文档与 BSD-3-Clause 许可，适合复用成熟计算方法；它是 Python 库，不是本页关联的 Skill。两独立比例检验文档明确独立二项样本前提。选择方法、方向、显著性水平、版本与参数都写入执行记录，不依赖会随版本变化的默认值。 合成演示中 A 组 1000 人有 100 次成功，B 组 1000 人有 120 次成功。转化率分别为 10% 与 12%，绝对差为 2 个百分点，相对变化为 20%，两者不能混写。按独立样本的普通 Wald 正态近似，差值的示范性 95% 区间约为负 0.74 至正 4.74 个百分点；这是用组内二项方差计算的演示，不是推荐所有数据都用该近似。 比例差置信区间文档列出不同方法。小样本、极端比例或复杂设计需要合适方法与审阅；区间和检验也应按一致计划解释。本例区间跨零，因此不能从“B 数值更高”宣称已有明确提升，也不能证明效果恰好为零。 结合事先定义的最小有用效果、保护指标和实验有效性决定保留、继续收集或重新设计。不要每天偷看 p 值直到显著就停，除非使用已规划的序贯方法；多指标和多分组探索要处理多重比较并标注探索性质。证据不足时结论就是不确定，不用事后功效数字把它伪装成确定答案。
一份可交付的实验报告
报告依次写问题、随机与观察单位、数据口径、质量问题、样本数量、两组比例、差值与区间、检验方法及限制。把“观察到”“在指定模型下估计”和“据此建议”分开。上线建议需要业务负责人审阅，统计函数不会理解实施成本、用户体验与数据采集故障。 如需技术表达审阅，可用 Writing Guidelines 检查方法说明、执行手册和限制是否清楚，前提是文档与关联指南可用。它不验证统计选择，不把风格通过变成实验认证。当前没有核验到适用的 A/B 专项 Skill，因此不关联原文中的未核实名称。
场景三：从 GitHub 项目复现，而不是复制结论
选择教学项目先看问题是否相近、数据许可、维护状态、依赖、测试和资源需求，不以星数替代判断。先读 README、许可证、数据字典、示例与检查入口，画出输入到输出的路径；笔记本从上到下在干净环境运行，不能依赖作者电脑上的隐藏文件和旧单元状态。 为 statsmodels 或相近方法案例固定版本，建立独立环境，先运行一个小型合成例，再替换为获准数据。记录命令、依赖、输入摘要、输出与随机设置。下载代码不等于已经审阅或授权执行，含网络、安装脚本和凭证的步骤需要看清用途。 练习时可以把当前书单实验与项目中的估计目标逐项对照。若要学习 RFM 分组，先定义最近一次活动、频次和对应价值字段及窗口；那是描述性分组，不是本实验的因果证据，也不能自动搬用客户金额或营销结论。换数据时重新审查单位、缺失和假设，不只改文件名。 交付一份复现笔记：原项目做什么、采用哪部分、改了什么、哪些结果匹配、哪些未复现及原因。无法重现时提供最小错误和环境，不凭输出截图断言作者错误，也不把别人的测试记录当成本项目通过。
故障排查与 FAQ
乱码或列类型不对？先核对编码、分隔符和数据字典，避免隐式转换损坏标识。结果人数与日志总数不同？检查分析单位、重复与窗口，不自动删到相同。检验输出异常？检查成功数不超过样本数、分组独立与方法前提，缺数据就停止。 零基础能用吗？可以从合成例和清楚验收开始，但统计设计与解释仍需学习或审阅。必须装三类技能吗？按阶段选择，先 Finder 后核验目标，库和技能不是同一个概念。免费包保证无成本吗？许可证、模型、宿主与服务费用不同；卸载也不撤回已生成文件。 不显著是否完全无效？不能这样判断，要看效应区间与预定决策阈值。怎样算 SOP 跑通？原始数据保留、清洗可追溯、估计目标明确、方法可复现、结论与限制一致。只有这些证据齐全，结果才值得用于下一步讨论。