数据清洗

开始做Claude数据采集，不能只说“搜集行业资料”或“整理竞品信息”。正式采集前，要明确采集对象、资料来源、时间范围、更新频率及最终用途，为任务设定可执行边界。

Claude数据分析更适合被当作一条可分阶段检查的工作链路，而不是一个上传文件后自动生成结论的工具。它可以参与理解数据结构、整理字段、计算指标、发现趋势、识别异常，并协助形成报告草稿，但最终判断仍要回到业务背景和原始数据中核验。

Claude数据处理不应从“上传文件”开始，而应从定义任务开始。先判断本次工作究竟是提取、分类、清洗、汇总、比对，还是生成分析报告。如果同时提出多个目标，模型可能会在整理数据的同时擅自判断业务结论，导致后续难以复核。

搜索“claude数据库怎么搭建”，通常是想让Claude检索企业资料、产品文档、制度和项目记录后回答。“claude数据库”并非Claude自带的独立数据库，而是围绕Claude搭建的知识库或检索增强生成系统。

讨论claude数据分析小程序时，不能预设某个具体版本的入口、价格、上传限制或功能范围，实际判断应以当前可使用页面和产品说明为准。更稳妥的做法，是先把它放回真实的数据工作流程中，观察它能否帮助完成数据清洗、分类汇总、趋势观察、异常发现和结果说明。

两段看起来相同的文本，底层字符不一定相同。AI 文本清洗可以先采用明确的 Unicode 规范化规则，保留原文与转换值，再决定是否需要进一步清理。

用 pandas melt 将 AI 样本的指标列转为长表，保留编号、指标名、单位和空值，检查行数并用 pivot 回转核对原值。

用 pandas 生成缺失标记，再用 Seaborn 画按样本编号排列的热力图，核对每列缺失数、共缺字段和对应原行。

用 Trafilatura 从获准网页提取正文，并为知识库保存 URL、标题、抓取时间、内容哈希和失败日志。

知识库导入前按来源、有效期、版本、权限、重复和解析质量逐项验收，减少错误资料进入智能体。