用 AI 辅助画图 —— 描述需求生成绘图代码的正确方式

本课导读

坦白说：工作里的复杂图表，未来你多半会让 AI 写初稿。那前三课白学了吗？恰恰相反——不会画图的人向 AI 要图，像不懂菜的人点菜：说不清要什么，也尝不出好坏。本课学"向 AI 要图"的提问框架、验收 AI 产出的检查单，以及 AI 画图的三个高频陷阱。这是 U0.2"高手如何用 AI"在数据领域的落地实操。预计 50 分钟。

提问框架：四要素点菜法

对比两种问法：

❌ "帮我画个销售图"

✅ "我有一个 pandas DataFrame，列为 city（字符串）和 amount（数字），共 5 行。请用 matplotlib 画横向柱状图：按 amount 降序、最大值在最上方；标题《上海领跑各城市销售额》，x 轴标签"销售额（万元）"；用 fig, ax 写法，只用 matplotlib，不要用 seaborn。"

差距在四要素，逐个拆：

1. 数据长相：列名 + 类型 + 大致行数——AI 看不见你的数据，不描述它就只能瞎编列名（陷阱一的根源）
2. 图型与关键细节：图型（你会选型，这是前三课给的底气）+ 排序/方向/强调等要求
3. 装裱要求：标题（最好直接给出带结论的标题）、轴标签、单位——上节课的清单直接报菜名
4. 技术约束：fig/ax 写法、只用 matplotlib——不约束的话 AI 爱用 seaborn（你的环境不一定装了）

验收 AI 的图：跑 → 看 → 查

AI 交码之后，三步验收（U0.5 的"AI 输出必须验证"落到画图）：

import pandas as pd
import matplotlib.pyplot as plt

# 模拟场景：这是"AI 生成"的代码，你来验收——先跑起来
df = pd.DataFrame({
  "city": ["上海", "北京", "广州", "深圳", "杭州"],
  "amount": [4415, 2725, 1610, 897, 760],
})

ranked = df.sort_values("amount")
fig, ax = plt.subplots(figsize=(6, 3))
ax.barh(ranked["city"], ranked["amount"])
ax.set_title("上海领跑各城市销售额")
ax.set_xlabel("销售额（万元）")
ax.bar_label(ax.containers[0], fmt="%.0f")

# 验收三步：
# ① 跑：报错吗？（现在你已经会读 traceback）
# ② 看：图符合需求吗？（排序方向、标题、单位逐项对照你的四要素）
# ③ 查：代码干净吗？（有没有多余的库、看不懂的行——看不懂的行必须问 AI）

三步里最容易偷懒的是③ 查：AI 的代码常夹带你没要求的东西（多余的样式、一坨看不懂的参数）。规矩是——看不懂的行，要么问 AI 讲清，要么删掉重跑验证没影响；绝不让看不懂的代码进你的交付物。这就是 U1.2"审 AI 的类"的画图版。

三个高频陷阱

陷阱一：编造列名。你没描述数据，AI 就按"常见命名"猜——df["sales"] 遇上你实际的 amount 列，当场 KeyError。药方：四要素第一条，永远先报数据长相。

陷阱二：私自引入没装的库。AI 特别爱 import seaborn as sns（训练数据里它太常见了）——你的环境没装就 ModuleNotFoundError。药方：技术约束里写明"只用 matplotlib"；已经收到 seaborn 版就回一句"改写成纯 matplotlib"。

陷阱三：过度装饰。不约束时 AI 爱堆渐变色、3D 效果、五颜六色——违反你上节课的"一图一重点"。药方：装裱要求里点明配色（"除强调色外用灰色"），或收货后让它"简化配色，突出 X"。

迭代：图是改出来的

真实流程很少一发入魂，而是"初稿 → 几轮小改"。追问句式直接给：

• "把柱子改成横向，最大值在最上面"
• "标题改成结论式：《客服满意度垫底》"
• "只保留最低的那根柱子有颜色，其他改灰色"
• "导出参数加上 dpi=200 和 bbox_inches='tight'"

每一句都是前三课的词汇表——你学的不是"画图的手艺"，是"指挥画图的语言"。顺带一提：把报错原文直接贴回给 AI 也是迭代（"运行报了这个错：……"），它修 bug 比你快。

✍️ 练习

练习 1：写点菜单（无代码）

你有 DataFrame：列 month（1-12 月字符串）、revenue（数字，万元）、cost（数字，万元）。想要一张"收入与成本走势对比、突出 8 月成本反超收入"的图。按四要素写出完整提问（写完对照答案）。

练习 2：验收找茬

下面是"AI 交付"的代码，藏着本课讲过的两个陷阱。先别运行，读代码找出来；改好后运行验证。

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns          # ← 读到这行想到什么？

df = pd.DataFrame({
  "product": ["键盘", "鼠标", "显示器"],
  "amount": [1794, 267, 1599],
})

fig, ax = plt.subplots(figsize=(6, 3))
ax.bar(df["name"], df["amount"])     # ← 再看看这行
ax.set_title("各产品销售额")

import pandas as pd
import matplotlib.pyplot as plt
# 陷阱二：seaborn 没装也没用到——删

df = pd.DataFrame({
    "product": ["键盘", "鼠标", "显示器"],
    "amount": [1794, 267, 1599],
})

fig, ax = plt.subplots(figsize=(6, 3))
ax.bar(df["product"], df["amount"])   # 陷阱一：编造列名 name，实际是 product
ax.set_title("各产品销售额")

练习 3：全流程实战（挑战）

真实演练：把下面的需求发给你常用的 AI（网页版即可），拿回代码贴到这里运行验收；不合格就按"迭代句式"追问到合格。需求——"数据：五个部门 depts 与加班小时 hours（见起始代码）；画横向柱状图突出加班最多的部门（其余灰色），柱顶标数值，标题带结论，只用 matplotlib"。

import matplotlib.pyplot as plt

depts = ["设计", "运营", "销售", "客服", "行政"]
hours = [12, 28, 18, 45, 8]

# 把 AI 给的代码贴到这里，跑 → 看 → 查三步验收

import matplotlib.pyplot as plt

depts = ["设计", "运营", "销售", "客服", "行政"]
hours = [12, 28, 18, 45, 8]

pairs = sorted(zip(hours, depts))            # 升序：最大值将落在 barh 顶部
sorted_hours = [p[0] for p in pairs]
sorted_depts = [p[1] for p in pairs]

colors = ["#c9cdd4"] * len(depts)
colors[-1] = "#e8734a"                        # 升序排完，最后一个就是最大值

fig, ax = plt.subplots(figsize=(6, 3))
ax.barh(sorted_depts, sorted_hours, color=colors)
ax.bar_label(ax.containers[0])
ax.set_title("客服月加班 45 小时，远超其他部门")
ax.set_xlabel("加班时长（小时）")

📝 随堂测验

本课小结

• 四要素点菜法：数据长相、图型细节、装裱要求、技术约束——缺一样就等着返工
• 验收三步：跑（报错自己会读）→ 看（对照需求）→ 查（看不懂的行不放行）
• 三陷阱三药方：编列名→报数据长相；私引库→锁 matplotlib；过度装饰→点明配色
• 图是改出来的：迭代句式 + 报错原文直接贴回

下一课单元关卡：一张目标图摆在面前，用整单元的功夫把它像素级还原——外加综合测验。