1. 课程导入与科研工作流全景
科研数据分析与可视化，本质上不是“画几张图”或“跑几个统计检验”，而是把研究问题转化为可检验的数据证据，再把证据转化为可读、可复现、可交流的结论。很多初学者容易把精力集中在某个软件或某张图上，结果数据来源混乱、清洗过程不可追溯、图表与结论脱节。本课程的核心目标，是帮助你建立一条从原始数据到研究结论的完整工作流，并在这条链路上掌握关键工具与判断标准。
先明确本课程的三个核心目标。第一是可复现：同样的原始数据和处理脚本，任何人重新运行都能得到一致结果。第二是可解释：每一个分析步骤都有明确目的，每一张图都回答一个具体问题，而不是为了“看起来专业”。第三是可交流：图表和报告能让同行快速理解你的发现，也能让审稿人核查你的方法。这三个目标贯穿后续所有章节，也是判断一次分析是否合格的底线。
典型科研工作流的五个阶段
一个完整的科研数据分析项目，通常经历数据获取、数据清洗、数据分析、可视化表达和报告呈现五个阶段。它们不是严格的单向流水线，而是带有回环的迭代过程：可视化时发现异常值，往往要回到清洗阶段；分析结果不显著，可能需要重新审视数据获取方案。下图展示了这五个阶段的主要输入输出，以及最常见的回环路径。
理解这张图的关键，是认识到“回环”不是失败，而是科研的常态。真正需要避免的是无记录的回环：改了数据却说不清改了什么，换了图表却不知道为何换。因此从第一天起，就要养成把处理步骤写成脚本、把图表生成代码与数据一起保存的习惯。
每个阶段到底在做什么
数据获取阶段要回答“证据从哪来”。常见来源包括实验仪器导出文件、问卷平台导出表、公开数据库下载、网络爬取或合作方提供的数据集。这个阶段最重要的动作不是“拿到数据”，而是记录数据的来源、采集时间、采集条件、变量含义和单位。一个实用做法是同时维护一份数据字典，至少包含字段名、含义、类型、单位、允许范围和缺失标记。例如某次材料实验记录中，temp_C 表示摄氏温度，允许范围 20–800，缺失记为 NA；若后续有人误把它当作华氏温度，整条分析都会失效。
数据清洗阶段要回答“哪些数据可信、哪些需要处理”。典型工作包括：统一单位与命名、处理缺失值、识别异常值、去除重复记录、检查数据类型。这里要特别强调一个原则：原始数据只读，清洗结果另存。例如一份 500 行的实验数据中，若发现 12 行缺失关键测量值、3 行重复录入、2 行数值明显超出物理可能范围，正确做法是保留原始文件，在脚本中写明删除或插补规则，并输出一份清洗日志，说明每类问题处理了多少条、依据是什么。异常值不能“看着不顺眼就删”，而要结合测量原理判断是记录错误还是真实极端现象。
数据分析阶段要回答“数据支持什么结论”。这一步需要根据研究问题选择方法：比较组间差异用 t 检验或方差分析，考察变量关联用相关或回归，处理多因素影响用多元模型。关键不是记住检验名称，而是明确前提条件与结果解读。以两组样本比较为例，若每组约 30 个观测，报告均值差的同时应给出置信区间和效应量，而不是只写一个 p 值。假设示例中 A 组均值 12.4、B 组均值 11.1，均值差 1.3，95% 置信区间为 [0.2, 2.4]，这说明差异的方向和大小都有信息量；若置信区间跨过 0，则需谨慎表述。
可视化表达阶段要回答“怎样让人一眼看懂”。图表类型应由数据关系决定：比较类别用条形图，看分布用直方图或箱线图，看趋势用折线图，看两变量关系用散点图，看组成用堆叠图。要避免的常见错误包括：用饼图比较十几个类别、纵轴不从零开始造成夸大、颜色过多导致无法区分、缺少单位与样本量标注。一张合格的图应做到“脱离正文也能读懂大意”，标题、坐标轴、图例、单位、样本量缺一不可。
报告呈现阶段要回答“结论如何被理解和核查”。报告不只是贴图，而要说明研究问题、数据来源、处理方法、主要发现、局限与结论。图表按论证逻辑排序，方法部分写到他人可复现的程度，结论部分区分“数据支持的”与“推测的”。
本课程的学习路径与实战项目
后续课程将沿着上述工作流展开：先建立数据获取与整理的规范，再学习清洗与质量检查，然后进入描述统计与推断分析，接着系统训练图表选型与可视化编码，最后完成报告组织与复现打包。工具层面会覆盖表格处理、脚本分析、绘图与文档输出的协同使用，但重点始终是“为什么这样做”和“怎样判断做对了”。
课程配套一个贯穿式实战项目：假设你拿到一份某实验室为期 8 周的植物生长实验数据，包含两组处理、每组 15 株、每周记录株高与叶片数，另有少量缺失和录入错误。你需要完成从数据字典建立、清洗日志编写、组间差异分析、生长曲线绘制到一页研究报告的完整流程。每一章都会在这个项目上推进一部分，最终形成一份可复现的分析包。建议你现在就建立一个项目文件夹，按 data/raw、data/clean、scripts、figures、report 分层存放，这个习惯会贯穿整个课程。