DeepSeek 数据工作流实战：从导入清洗到分析生成与部署

简介：《DeepSeek详细使用教学》面向希望快速熟悉DeepSeek这一AI数据搜索与分析平台的初学者及日常办公、学习用户，围绕注册登录、基础功能认知和完整操作流程展开，重点解决上手路径不清、功能入口难找及常见使用问题排查等需求。整份资料为1个doc文档，压缩包约38KB，篇幅精简，适合作为随查随用的入门手册。内容从数据导入、清洗、分析与可视化，延伸到文本生成、摘要、情感分析、翻译、任务自动化、工作流优化以及模型训练与部署，并补充批量处理、自定义模板、优化设置、简洁表达需求和多次交流尝试等技巧。文末还整理了数据导入错误、文本生成不符合预期、自动化任务执行失败等问题的排查思路。已有667人学习，便于读者按模块对照实践，逐步掌握DeepSeek的核心用法。

1. 从一份详细使用教学说起：该在哪一步接进你的活

拿到一份《DeepSeek 详细使用教学》，多数人从“注册与登录”读起，读到“点击生成”就关掉。真正让人卡住的很难说是按钮在哪里，真正麻烦的是哪一步该交给它、哪一步必须自己先算清楚。这份教学覆盖数据导入、清洗、分析、可视化、文本生成、摘要、情感分析、翻译、任务自动化、模型训练与部署，本质是一份把 AI 当工作台用的操作清单。它适合手里已经有一批 CSV、Excel、JSON 脏数据，或者每周要出固定报告、做批量文本处理的人；如果你只是想找人聊天，这些流程反而是负担。下面按“数据进来、算清楚、写成文、别翻车”的顺序，拆成能照着跑的动作。

2. 数据导入与清洗：CSV、Excel、JSON 三个入口和四条清洗规则

导入是整条链路上最不起眼的一步，也是出错率最高的一步。平台界面上就一个“导入数据”按钮，点下去、选文件、等进度条走完，看着像三秒钟的事。但真正决定后面分析能不能用的，是文件读进来的那一刻字段类型对不对、空值有没有被误判、日期能不能解析。同一份 CSV，本地用表格软件打开一切正常，导入后变成一列字符串加一堆 null，这类情况我见得太多。原因基本集中在编码、分隔符和类型推断这三件事上。这一章先把三个入口的差异讲清楚，再用脚本把体检和清洗固化下来，最后说明清洗动作的顺序为什么不能乱。

2.1 三个入口的差异与选型

CSV 是最常见的入口，纯文本、结构扁平、每行一条记录。好处是任何工具都能生成，坏处是所有类型信息都只依赖“人以为的”，文件里实际只有字符。手机号、订单号、邮编这类字段，只要出现过一次不带引号的前导零，读进来就会变成数字，前面的 0 直接蒸发。Excel 的情况更复杂：多 sheet、合并单元格、隐藏行列、公式单元格都会影响读取结果。合并单元格只有左上角有值，其余位置读出来是 NaN；隐藏行不会因为看不见就被跳过，照样进结果；公式单元格读到的是缓存值还是公式本身，取决于读表引擎。JSON 则是接口返回的典型格式，嵌套层级深，展开之后行数可能膨胀好几倍，一个订单里挂十条明细，展平就是一变十。

我的习惯是：不管最终从哪个入口进平台，都先在本地用一段脚本把文件读一遍，打印行列数、字段类型和空值率，确认没问题再上传。平台端的报错通常只给一句“格式不支持”，定位不到具体哪一列，本地先过一遍能省掉大量来回试。

import json import os import pandas as pd def load_file(path): """按扩展名分流读取，先把文件原样读进来，不急着做类型转换""" ext = os.path.splitext(path)[1].lower() if ext == ".csv": # utf-8-sig 兼容带 BOM 的文件；dtype=str 保住前导零 return pd.read_csv(path, encoding="utf-8-sig", dtype=str, keep_default_na=False, sep=None, engine="python") if ext in (".xlsx", ".xls"): # sheet_name=None 返回字典，先看清有几个 sheet 再决定用哪个 return pd.read_excel(path, sheet_name=None, dtype=str) if ext == ".json": with open(path, encoding="utf-8") as f: raw = json.load(f) return pd.json_normalize(raw, sep="_") raise ValueError(f"不支持的扩展名: {ext}")

这段代码的关键在几个参数上。encoding="utf-8-sig"处理带 BOM 的 Excel 导出文件，不加这个参数，第一列列名前面会多出一个看不见的字符，后面按列名取值全部取不到。dtype=str让所有列先按字符串读，避免 pandas 自作主张把“007”变成 7。keep_default_na=False保留空字符串，否则“NA”“null”“None”这些业务里真实存在的文本会被当成缺失值抹掉。sep=None, engine="python"让读取器自己嗅探分隔符，对付逗号、分号、制表符混用的表很有效。sheet_name=None返回的是一个字典而不是 DataFrame，这是刻意的，因为业务表经常把说明放在第一个 sheet，数据在第二个，先看清楚再取。json_normalize的sep="_"把嵌套键拼成order_id、user_name这种扁平列名，展平后一定要回头核对行数，变了就说明有数组被展开。

2.2 上传前要看的五个指标

文件读进来之后，别急着点上传，先做一次体检：行数、列数、每列类型、空值率、唯一值个数。这五个指标里，唯一值个数最容易被忽略，但它能救命。一列如果nunique等于 1，说明整列是常量，放进分析里毫无信息量；如果一列唯一值等于总行数，那它大概率是主键，不该出现在分组维度里；如果一列的唯一值数量是几十到几百，才适合做分类聚合。空值率超过 30% 的列，要么在清洗阶段处理掉，要么在分析阶段直接排除，不要带着它去跑模型。

def profile(df, name="data"): """输出一份可读的字段体检表""" stat = pd.DataFrame({ "dtype": df.dtypes.astype(str), "non_null": df.notna().sum(), "null_rate_pct": (df.isna().mean() * 100).round(2), "nunique": df.nunique(dropna=True), }) dup = df.duplicated().sum() print(f"[{name}] 行={len(df)} 列={df.shape[1]} 完全重复行={dup}") return stat.sort_values("null_rate_pct", ascending=False) sheets = load_file("orders.xlsx") for sheet_name, df in sheets.items(): print(profile(df, sheet_name).head(15)) print("-" * 60)

这里对每个 sheet 单独跑一次体检，输出按空值率降序排列，最脏的列排在前面。duplicated().sum()统计的是完全重复的行，如果这个数不为零，说明导出逻辑可能有问题，比如多表关联时产生了笛卡尔积，这种重复必须在清洗阶段先删掉，否则后面所有汇总都会虚高。

2.3 清洗动作的顺序：去重、类型、缺失、异常

清洗有一个很容易踩的坑：动作顺序错了，结果就全错。正确的顺序是先去完全重复行，再统一类型，然后处理缺失，最后标记异常值。理由很直接：类型没统一时做缺失填充，字符串列的“中位数”根本算不出来；异常值没识别就填缺失，中位数本身已经被极端值带偏了。反过来，如果先去重再算中位数，样本更干净，填充值也更可信。

def clean(df, num_cols, cat_cols): df = df.drop_duplicates().copy() # 第一步：统一类型，无法解析的脏值变成 NaN for c in num_cols: df[c] = pd.to_numeric(df[c], errors="coerce") for c in cat_cols: df[c] = df[c].astype(str).str.strip().replace({"": None, "nan": None}) # 第二步：用中位数填充，抗极端值 df[num_cols] = df[num_cols].fillna(df[num_cols].median()) # 第三步：3 倍 IQR 标记异常，只打标不删除 q1 = df[num_cols].quantile(0.25) q3 = df[num_cols].quantile(0.75) iqr = q3 - q1 mask = (df[num_cols] < q1 - 3 * iqr) | (df[num_cols] > q3 + 3 * iqr) df["_is_outlier"] = mask.any(axis=1) return df cleaned = clean(orders, num_cols=["amount", "qty"], cat_cols=["channel", "city"]) print(cleaned["_is_outlier"].value_counts())

errors="coerce"是这段代码里最实用的参数，它把“1,234 元”“待定”“-”这类脏值统一变成 NaN，而不是直接抛异常中断整条流程。填缺失用中位数而不是均值，是因为金额、数量这类业务字段的分布通常右偏，均值会被少数大额订单拉高，填进去反而失真。IQR 阈值用 3 倍而不是教科书的 1.5 倍，是业务数据长尾重的现实妥协，1.5 倍会把大量正常的大客户订单误判成异常。最后只打_is_outlier标记不删除，是为了保留回溯能力——模型效果不对时，还能查出来是不是某一批异常值在捣乱。

清洗完再把文件导出成平台能吃的格式，上传就只是走个流程：

cleaned.to_csv("orders_clean.csv", index=False, encoding="utf-8-sig")

index=False去掉行号列，否则导入后平台会多出一列无意义的索引；utf-8-sig保证再用 Excel 打开不乱码。做完这一步，导入环节的麻烦基本就清零了。

3. 分析与可视化：字段选型、图表匹配和三张诊断表

导入分析模块之后，面对的第一个问题是“选哪些字段”。平台会把你导入的所有列平铺出来让你勾选，勾错一个，后面整张图都是废的。常见的误操作是把主键扔进分组维度，结果出来几千行结果，图表根本没法看；或者把日期当成普通字符串做分组，月份顺序按字典序排成 1 月、10 月、11 月、2 月。这一章讲清楚三类字段各自的用法边界，再说明图表类型和分析目的怎么对上号，最后给一套在本地先算基准指标的做法，用来校验平台输出是否可信。

3.1 数值、类别、时间三类字段的用法边界

数值字段适合做求和、均值、分位数、同比环比这类计算，但前提是它的语义真的是“可以加减的数”。编号、邮编、年份虽然长得像数字，实际上属于类别字段，把它们当数值求和毫无意义。类别字段适合做分组和占比，但基数太大的类别字段要小心，比如用户 ID、订单号，分组后可能产生上万个组；分类数超过 20 的一般先做归并，或者只取 Top N。时间字段是所有分析里价值最高的一类，但它也是最容易出问题的：日期格式不统一、时区不一致、跨年跨月边界处理不当，都会让趋势图呈现出完全错误的形状。

判断方法很朴素：问一句“这个数加起来有没有意义”。金额加起来是总销售额，有意义；用户 ID 加起来是个莫名其妙的数字，没意义。时间字段同理，先转成日期类型再用.dt取年月，比直接对字符串切片靠谱得多。

3.2 图表类型要跟分析目的对上号

平台的“可视化”选项卡会列出一排图表类型，柱状图、折线图、饼图、散点图应有尽有。选图的依据是你要回答什么问题，跟审美基本无关。看类别占比用条形图，横向排布能容纳更长的类目名；看时间趋势用折线图，30 天以上的连续数据用柱状图会挤成一堵墙；看两个数值变量的关系用散点图，能一眼看出相关性和离群点；看分布形态用直方图或箱线图，只看均值会漏掉双峰分布这种关键信息。饼图的适用场景很窄，类目超过 6 个就开始互相遮挡，占比接近时肉眼完全分不出大小。

还有一点经验：同一张图里不要混两种量纲。把销售额（万元）和订单数（笔）画在同一根 Y 轴上，订单数会被压成一条平线，读者以为订单没增长。要么拆成两张图，要么用双 Y 轴并明确标注，后者在正式报告里我一般不用，容易引起误读。

3.3 先在本地算一遍基准，再交给平台出图

平台的分析和趋势预测功能省事，但我不会把它的输出直接当结论。做法是先在本地用几行 pandas 算出关键指标，再拿平台的结果去对，对得上才敢往下用。这样做并不是不信任工具，只是要给结果留一个可核对的基准线。

import pandas as pd df = pd.read_csv("orders_clean.csv", dtype={"order_id": str}) df["order_date"] = pd.to_datetime(df["order_date"], errors="coerce") df["month"] = df["order_date"].dt.to_period("M").astype(str) monthly = ( df.groupby("month") .agg(orders=("order_id", "nunique"), amount=("amount", "sum"), avg_amount=("amount", "mean"), buyers=("user_id", "nunique")) .reset_index() ) monthly["mom"] = monthly["amount"].pct_change().round(4) # 环比 monthly["yoy"] = (monthly["amount"] / monthly["amount"].shift(12) - 1).round(4) print(monthly.tail(12))

groupby("month")按自然月聚合，nunique统计去重后的订单数和买家数，避免同一用户一天下多单被重复计数。pct_change()算环比，shift(12)取去年同月算同比，这两个指标是业务复盘里最常被问到的。注意最后一年如果数据不完整，同比会出现失真的巨大波动，报告里要把不完整月份单独标注或者截掉。

有了这份基准表，平台的趋势预测输出就能对照着看：它预测的下月金额和我手工算的环比区间差多少，偏差超过合理范围就说明输入字段或者时间粒度选错了。可视化部分同理，平台生成的柱状图如果和本地算出的月度汇总对不上，优先怀疑聚合维度里混进了空值或者重复行，而不是怀疑图表渲染。

4. 文本生成与摘要：提示结构、输入预处理和批量结果写入

自然语言处理模块是这份教学里最容易被高估的部分。点一下“生成”，出来一段通顺的文字，看着很唬人，但拿去交付往往不能用——要么全是正确但无用的套话，要么把原文里的数字改错了。问题通常不在模型，而在输入。这一章讲三件事：提示怎么写才稳定、长文本喂进去之前要做什么预处理、批量跑的时候结果怎么保存和管理，每一件都直接决定产出能不能用。

4.1 四段式提示结构

有效的提示基本都能拆成四段：角色、任务、约束、输出格式。角色定基调，任务说清楚要干什么，约束划出边界（字数、必须保留的信息、禁止出现的内容），输出格式决定结果能不能直接被程序消费。少了约束，输出长度随缘；少了输出格式，拿回来还得人工整理。举个对比：写“帮我总结这段文本”，得到的是自由发挥的段落；写“你是一名数据分析师。用不超过 150 字概括下面的销售复盘，保留所有数字和结论，按‘现象—原因—建议’三行输出”，得到的就是能直接贴进周报的结构化内容。

约束里最有用的两条是字数和“必须保留”。摘要任务里，模型最容易丢的就是数字和专有名词，明确要求保留能显著降低返工率。输出格式用“每行一个要点”“输出 JSON，字段为 title、summary、risk”这类可验证的描述，比“排版清晰一点”有效得多。

4.2 摘要和情感分析的输入预处理

长文本直接丢进去有两个问题：超出上下文长度会被截断，截断位置往往正好把结论切掉；文本里夹带的页眉页脚、导航栏、乱码会稀释有效信息。常见做法是先按段落切块，每块控制在 2000 字左右，块之间保留 200 字重叠，防止一句话被切成两半。摘要分两步走：先对每块出要点，再把要点合并成最终摘要。情感分析则相反，要先把表情符号、链接、@ 提及这类噪声去掉，否则同一条评论在不同清洗策略下可能得出相反的极性。

import re def chunk_text(text, size=2000, overlap=200): """按字符切块，块间保留重叠，避免句子被切断""" text = re.sub(r"\s+", " ", text).strip() chunks, start = [], 0 while start < len(text): chunks.append(text[start:start + size]) start += size - overlap return chunks def strip_noise(text): """情感分析前去掉链接、@ 提及和多余符号""" text = re.sub(r"https?://\S+", "", text) text = re.sub(r"@\S+", "", text) text = re.sub(r"[^\u4e00-\u9fa5a-zA-Z0-9，。！？、；：]", "", text) return text.strip()

size和overlap两个参数按文本密度调，中文 2000 字大约是模型上下文的安全区，overlap取size的 10% 左右够用。strip_noise里最后那条正则只保留中文、字母、数字和常用标点，把表情和特殊符号一次性清掉；这一步对情感分析影响很大，很多表情符号携带的情绪强度和文字本身相反。

4.3 批量调用与结果写入

单个任务手点没问题，几十上百条就必须走脚本。批量跑的核心是三件事：失败重试、结果写入管理、错误可追溯。我用一个带指数退避的封装函数，失败三次后把错误信息写进结果列，而不是让整批任务中断。

import os import time import requests BASE_URL = os.environ["DEEPSEEK_BASE_URL"] # 地址以官方文档为准 API_KEY = os.environ["DEEPSEEK_API_KEY"] def chat(prompt, system="你是一名严谨的数据分析师。", timeout=60): payload = { "model": os.environ.get("DEEPSEEK_MODEL", "default"), "messages": [ {"role": "system", "content": system}, {"role": "user", "content": prompt}, ], "temperature": 0.3, "max_tokens": 800, } headers = {"Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json"} for attempt in range(3): try: resp = requests.post(f"{BASE_URL}/chat/completions", headers=headers, json=payload, timeout=timeout) resp.raise_for_status() return resp.json()["choices"][0]["message"]["content"].strip() except Exception as exc: if attempt == 2: return f"__ERROR__:{type(exc).__name__}" time.sleep(2 ** attempt)

temperature设 0.3 是给摘要、抽取、翻译这类需要稳定输出的任务用的；写营销文案这类创意任务可以放到 0.7 到 0.9，但同一个 prompt 跑两遍结果会明显不同，不适合做批量一致性要求高的活。max_tokens按输出长度预估，设太小会被硬截断，摘要任务 800 通常够用。重试用2 ** attempt做指数退避，第一次等 1 秒，第二次等 2 秒，避免瞬时抖动把整批打断。失败时返回__ERROR__:XXX这种带标记的字符串，后续用str.startswith("__ERROR__")一筛就能把失败行单独挑出来重跑，比抛异常中断整批靠谱。

import pandas as pd df = pd.read_csv("reviews.csv", dtype=str) df["clean"] = df["content"].map(strip_noise) results = [] for text in df["clean"]: results.append(chat(f"用不超过 120 字概括下面内容，保留数字和结论：\n{text}")) df["summary"] = results ok = (~df["summary"].str.startswith("__ERROR__")).sum() print(f"成功 {ok} / {len(df)}") df.to_csv("reviews_summary.csv", index=False, encoding="utf-8-sig")

遍历时逐条调用而不是并发，是为了控制频率、避免触发限流；条数上千再考虑用线程池，并发数从 3 到 5 起步。结果先用一列存原始返回，再单独拆字段，这样中间出问题还能从原始列里重新解析，不用重跑一遍。

5. 常见问题排查：导入报错、生成跑偏、任务空转的现场复盘

前面几章讲的是顺路径，这一章讲翻车路径。下面这几条都是我在实际跑数据时撞过的，现象看起来五花八门，原因往往就那两三个。每条按“现象—原因—解决”写，遇到相似症状可以先对号入座。

5.1 导入与清洗环节

现象一：导入提示格式不支持，本地打开完全正常。原因通常是编码或者分隔符。Excel 另存的 CSV 默认带 BOM，有些平台解析器读到第一个字节就判定失败；还有的表用分号做分隔符（部分区域设置下 Excel 的默认行为），解析器按逗号切，切出来只有一列。解决办法是统一转成 UTF-8 无 BOM、逗号分隔再上传，转换时顺手把列名里的空格和括号去掉，很多平台的字段映射对特殊字符支持不好。

现象二：手机号、订单号变成科学计数法或者丢了前导零。原因在读取阶段，表格软件和解析库都把这一列识别成了数值。解决办法是在读取时强制dtype=str，写回时用utf-8-sig编码，别用 Excel 直接打开再另存——那一步会把格式又改回去。如果数据已经在平台里了，只能重新导入，界面上的格式设置改不回来。

现象三：Excel 导进去少了几百行。这种情况要先查三处：隐藏行不会因为隐藏被跳过，但筛选状态下另存可能只保存可见行；合并单元格只有左上角有值，整块区域被当成一行；还有一种是表中间夹了空行，读取器默认把它当作数据结束标志。解决方式是读取时显式指定sheet_name，先打印行数和原始表格的末行号对比，对不上就逐个 sheet 排查。

5.2 生成与自动化环节

现象四：生成的内容通顺但很空，全是“随着业务发展”“具有重要意义”这类句子。原因一般不是模型能力不够，而是输入信息密度太低。要么提示里只给了主题没给素材，要么把整篇没有结构的原始文本直接丢进去。解决办法是把关键事实、数字、结论先提取成几条要点再喂进去，并在约束里明确“不得出现原文没有的数字”“每个结论必须对应一条依据”。我一般在生成后加一道人工抽检，随机挑 5 条对照原文，错误率超过两成就要回头改 prompt，而不是继续批量跑。

现象五：任务保存成功，但状态一直是未执行。自动化任务这块最常见的坑是参数填了但没保存生效，或者触发条件写成了永远不会满足的组合，比如“每天 9 点执行”配上“仅工作日且数据更新后触发”，而数据源本身是月度更新的。排查顺序是先看任务详情里的下次执行时间，没有这个字段说明触发器根本没挂上；再看依赖的上游数据源是否可达，很多任务失败是卡在数据拉取而不是任务配置。平台界面上如果只显示“已保存”不显示“已调度”，基本可以确定是触发器的问题。

现象六：开了“优化模式”之后结果反而更慢或者更偏。这类开关在不同场景下效果差异很大，它本质上是平台预设的一组参数组合，不一定适配你的任务类型。做抽取、摘要这类要求稳定的活，我一般不勾，宁可手动把温度和输出长度固定住；做发散型创意任务再打开试。判断标准很简单：同一个 prompt 跑三遍，结果一致性明显下降，就说明当前配置不适合这类任务。

6. 进阶用法：批量任务、自定义模板和训练后的三个校验数

跑到一定量级之后，效率提升主要来自两件事：把重复动作模板化，以及把结果校验流程化。批量处理这块，我的做法是先把单条流程跑通、抽检通过，再抽 20 条做小批，确认输出格式稳定后才放开全量。自定义模板别一上来就做大而全的，先固定三样东西：固定的输入字段名、固定的提示骨架、固定的输出列，后面加字段只是往里填。模板一旦稳定下来，同样的活从两小时压到二十分钟很正常。

模型训练与部署这一环，训练完成不等于能用。我每次都强制看三个数：验证集和训练集的指标差距（差太多就是过拟合）、混淆矩阵里占比最大的误判类别（决定上线后最先出问题的地方）、以及部署后首周的线上样本与训练样本的分布偏差。前两个在训练结果页就有，第三个需要自己抽样对比。血泪经验是：本地指标漂亮、上线第一天就崩，九成是分布偏差，训练数据来自历史某个时段，线上流量早就变了。

# 上线首周的分布校验：类别字段的取值占比是否漂移 train_share = train_df["channel"].value_counts(normalize=True) online_share = online_df["channel"].value_counts(normalize=True) drift = (online_share - train_share).abs().sort_values(ascending=False) print(drift.head(5)) # 偏差最大的前 5 个类目优先排查

偏差超过 10 个百分点的类目，就要考虑补样本或者加规则兜底。从那以后我每次上线模型前，都会先把这三张表打印出来贴在需求单上，缺一张就不签上线。希望帮到你。

本文还有配套的精品资源，点击获取