Python

以 AI 样本复核元数据为例，用固定 SQLite 写入工具处理增量版本，验证重跑不增行、迟到旧版不覆盖新版，以及失败批次回滚。

工业 AI 融合不同采样流时，按设备和真正可用时间连接历史读数，再检查观测新鲜度，保留未匹配与被拒绝的原因。

用 Cursor 复现论文代码时锁定论文版本与仓库提交，记录环境、数据切分和指标脚本，再比较可解释差异。

在 Cursor 中用 Python 分析 CSV，先检查编码和字段，再清洗、统计并用行数与汇总数交叉核对。

在 Cursor 中为 Python 项目确认解释器和虚拟环境，让 Agent 运行脚本、读取 traceback 并验证修复。

用可手算的数值样本生成直方图和经验累计分布，分别核对区间频数、零值比例与阈值累计占比，并保留缺失分母。

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 Streamlit 把 AI 样本做成本地复核看板，按状态查看数量、样本编号和输入内容，并下载与当前筛选一致的 CSV。

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。

按 AI 数据分析结果的交付方式比较 Matplotlib 与 Plotly，用同一组样本数量生成静态 PNG 和交互 HTML，并核对数值、依赖与分享限制。