吴恩达 Claude Code 教程 08：Jupyter 数据分析与 Streamlit 可视化

• 作者：手工川（南川同学）
• 创建于 2025年8月22日，最后更新于 2025年8月22日
• 分类：AI 工具
• 标签：Claude Code转载AI
• 所属系列：吴恩达 Claude Code 笔记
• 转载自微信公众号「手工川」· 第 8 期

转载声明：本文系转载自微信公众号「手工川」的《吴恩达 Claude Code 笔记》第 8 期。原文版权归作者与公众号所有；正文整理自 DeepLearning.AI 与 Anthropic 官方课程材料。若需商业使用请联络原作者。 原文链接：在微信中打开 · 专辑目录

对于许多从事数据分析的朋友来说，Jupyter Notebook 是探索和验证想法的利器，但其产物往往是一份混杂着代码、输出和临时笔记的“草稿”。如何将这份草稿转化为一份结构清晰、可维护、可交付的工程产物？本期，我们将见证 AI 在这一转化过程中的关键作用。

欢迎来到吴恩达 Claude Code 笔记第八期。我是手工川。

在前几期的课程中，我们的焦点一直集中在构建和重构传统的 Web 应用上。但 Claude Code 的能力远不止于此。今天，我们将把目光转向一个同样广阔且重要的领域：数据科学与分析。

Jupyter Notebook 无疑是数据科学领域的“瑞士军刀”，但它也常常因鼓励线性、杂乱的探索过程而受到诟病。一个“能跑”的 Notebook 和一个“好”的 Notebook 之间，隔着代码组织、关注点分离、可复用性等多重工程鸿沟。

本期课程，我们将直面这一挑战，完成两个层次的跃迁：

1. 从混乱到有序：利用 Claude Code 将一个典型的、组织混乱的数据分析 Notebook 重构为结构清晰、逻辑与表现分离的模块化代码。
2. 从静态到交互：在重构的基础上，进一步将 Notebook 的分析结果转化为一个由 Streamlit 驱动的、可交互的 Web 仪表盘（Dashboard）。

本期要点 (Key Insights)

1. Notebook 专属工具：了解 Claude Code 针对 Jupyter Notebook 的特有工具，如 read_notebook，使其能够理解和操作 .ipynb 文件的单元格结构。
2. AI 驱动的重构：学习如何通过一个详尽的 Prompt，指导 AI 进行“关注点分离”，将数据加载、业务指标计算等逻辑从 Notebook 中剥离，形成独立的 Python 模块。
3. 交互式应用生成：掌握如何向 Claude Code 清晰地描述一个仪表盘的布局和组件，让它利用 Streamlit 库，将重构后的代码逻辑快速转化为一个 Web 应用。
4. 迭代式开发与调试：观察在整个重构和生成过程中，如何与 AI 进行多轮对话，修复代码错误、调整应用布局，完成一个真实场景下的迭代开发闭环。

手工川笔记

jupyter notebook 是这几年数据分析领域最常用的一款软件（话说我一直好奇大家现在用 lab 比较多，还是 notebook 比较多，想调查一下：）

这个领域还有一本必读书《利用python进行数据分析》，教大家如何使用数据分析三大件：numpy、pandas、matplotlib。我当时学的是第二版，现在都已经第三版了（不过译者是我好朋友，欢迎大家多多支持，hhh：）

如果你不想买纸质书的话，也可以访问这里查看电子版（当然了，作者还是我的好朋友，欢迎大家多多支持，hhh：）

然后我以为这期视频，Elie老师会带我们如何以jupyter notebook 为核心，接入AI，然后进行微操优化，没想到是直接重构成 OOP（少年，你知道OOP的四大特性吗？） 的py代码了，感觉并不是很实用。

因为对于我来说，我往往会把工作流分两部分：

1. 在jupyter notebook里调试
2. 导出单文件代码
3. 重构（可选）

Elie老师只做了2和3，但1可能更需要一些技巧。

另外，在可视化这一块，之前用gradio比较多，Elie用的是streamlit，看起来也不错，学习了！

• gradio-app/gradio（39.6k star）: Build and share delightful machine learning apps, all in Python. 🌟 Star to support our work!, https://github.com/gradio-app/gradio
• streamlit/streamlit （41k star）: Streamlit — A faster way to build and share data apps., https://github.com/streamlit/streamlit

场景复现：一份典型的“混乱”Notebook

课程从一个常见的数据分析场景开始：我们拿到了一份分析电商数据的 Jupyter Notebook。

这份 Notebook 具备了所有“能用但不好用”的典型特征：

• 逻辑混杂：数据读取、数据清洗、指标计算、图表绘制的代码全部线性地堆叠在一起。
• 代码重复：为了计算不同的指标，同样的数据处理逻辑可能被复制粘贴了多次。
• 可读性差：代码块之间缺乏清晰的说明，充斥着临时的变量名和被注释掉的代码。
• 难以复用：如果想在另一个项目中使用其中的某个计算逻辑，唯一的办法就是“复制粘贴”，这极易引入错误。
• 输出混乱：虽然最终得出了结论，但过程中伴随着各种警告信息和格式不佳的中间输出。

我们的目标，不是去质疑这份 Notebook 的分析结论，而是要对它的 工程质量 进行一次彻底的重构。

第一步：从 Notebook 到模块化代码的重构

我们启动 Claude Code，并准备了一个详尽的 Prompt。值得一提的是，为了处理复杂的指令，一个很好的实践是先将 Prompt 写在一个 Markdown 文件中，这样便于组织思路和反复修改。

这个 Prompt 的核心是向 Claude Code 传达了 “关注点分离” (Separation of Concerns) 的思想。

关注点分离 (SoC)

关注点分离是软件工程中的一个核心设计原则。它主张将一个复杂的计算机程序分解成多个不同的部分，每个部分只处理一个独立的“关注点”或“职责”。

在本次案例中，我们将原始 Notebook 中混杂的逻辑分离为三个独立的关注点：

1. 数据加载/处理 (data_loader.py)
2. 业务指标计算 (metrics_calculator.py)
3. 数据展示/可视化 (重构后的 Notebook)

这样做的好处是显而易见的：每个模块职责单一，易于理解、测试和复用。

我们的 Prompt 明确要求 Claude Code：

1. 创建 data_loader.py：用于封装所有从 CSV 文件读取和预处理数据的逻辑。
2. 创建 metrics_calculator.py：用于封装所有业务指标（如年同比增长率、平均订单价值）的计算逻辑。
3. 重构 Notebook：创建一个新的、整洁的 Notebook，它不再包含具体的实现逻辑，而是通过导入和调用上述两个模块来完成分析和可视化。
4. 提升代码质量：要求为新生成的函数添加文档字符串（docstrings），并改进可视化的美观度。
5. 生成辅助文件：创建 requirements.txt 和 README.md，完善项目的工程化。

Claude Code 接收指令后，开始执行。它使用了 read_notebook 工具来解析原始 .ipynb 文件，然后按计划创建了新的 Python 文件和重构后的 Notebook。

在重构过程中，我们遇到了一个 KeyError。这提供了一个很好的机会来展示人机协作调试的流程：我们将错误信息和相关的代码单元格反馈给 Claude Code，它迅速定位问题并进行了修复。

最终，我们得到了一套结构清晰的代码。新的 Notebook 变得非常整洁，主要由导入语句、高层函数调用和精美的图表组成，可读性和可维护性得到了质的飞跃。

第二步：从 Notebook 到 Streamlit 仪表盘的跃迁

重构后的代码为我们进行下一步的“产品化”打下了坚实的基础。我们的新目标是：将这些分析结果从一个静态的 Notebook，转变为一个可交互的 Web 仪表盘。我们选择了 Streamlit 这个强大的工具。

Streamlit

Streamlit 是一个开源的 Python 库，它能让你用纯 Python 脚本，以极快的速度为你的数据科学和机器学习项目创建美观、可交互的 Web 应用。你无需任何前端知识（HTML/CSS/JS），只需调用 Streamlit 提供的 API，就能生成滑块、按钮、图表等各种 UI 组件，非常适合快速原型设计和数据产品交付。

我们再次采用编写 Markdown Prompt 的方式，向 Claude Code 描述了我们想要的仪表盘的具体 布局：

• Header：包含标题和年份过滤器。
• KPIs：用卡片形式展示四个关键指标（总收入、增长率、平均订单价值、总订单数）。
• Charts：分行展示四个核心图表（收入趋势、品类表现、各州收入地图、客户满意度）。

这种 “布局即 Prompt” 的方法非常高效。我们不是让 AI 自由发挥，而是给了它一个清晰的“线框图”，这大大减少了后续反复调整的成本。

Claude Code 接收到这个新的 Prompt 后，开始编写 dashboard.py 文件。它导入了 streamlit 库，并调用了我们之前重构好的 data_loader 和 metrics_calculator 模块。

在本地运行 streamlit run dashboard.py 后，我们的仪表盘原型诞生了。初版虽然大体可用，但存在一些瑕疵：一些卡片是空的，且默认年份不是我们期望的 2023 年。

我们再次通过一个简短的 Prompt 迭代：make the default year 2023, add filters for months, remove the empty cards。Claude Code 迅速更新了 dashboard.py 代码。

刷新浏览器后，我们得到了一个功能完善、布局合理的交互式仪表盘。在很短的时间内，我们完成了一次从原始数据分析脚本到专业数据产品的端到端转换。

手工川结语

本期的案例，完美地展示了 Claude Code 在数据科学工作流中的应用潜力。它所扮演的角色，远不止一个简单的代码片段生成器。

1. 作为“代码架构师”，它帮助我们将混乱的探索性代码，重构为遵循软件工程原则的、模块化的、可维护的代码库。
2. 作为“应用开发者”，它根据我们用自然语言描述的布局，快速地将数据分析逻辑封装成一个可交互的 Streamlit Web 应用。
3. 作为“敏捷的队友”，它在整个过程中能与我们进行高效的迭代和调试，快速响应我们的调整需求。

这个工作流的转变，让数据科学家和分析师可以将更多的精力投入到更高价值的工作中：定义业务问题、设计分析逻辑、构思产品的最终形态，而将繁琐的代码组织、UI 布局实现等工作，放心地交给 AI 去完成。

在最后一课中，我们将迎来本系列课程的终极项目：从一份 Figma 设计稿出发，从零开始构建一个完整的 Next.js Web 应用。这将是一次对 Claude Code 综合能力的全面检验。