收益：
- 能够清理原始经济数据（缺失观察、单位混乱、频率不匹配）并在人工智能的帮助下为分析做好准备
- 能够将标准经济转换（例如实际名义转换、指数化、增长率、季节性调整）以代码形式打印到人工智能中并进行手动验证
- 能够通过探索性数据分析（汇总统计、分布、异常值、相关性）识别数据并批判性地阅读人工智能摘要
经济数据很少可供分析。在您从 TURKSTAT 下载的表格中，缺少一些月份，一列是带有千个括号的文本，汇率采用土耳其语格式，如“1.234,56”，一个系列是每月，另一个是季度。经济学家的大部分时间不是花在分析上，而是花在为分析准备数据上。这就是人工智能成为真正的低风险加速器的地方：它建议清理步骤、编写 pandas（Python 的数据处理库）、编纂标准经济转型。但这个单元也有一个不变的规则：你阅读人工智能编写的每一个转换，并在至少一次观察中手动验证它。如果实际名义周期的基础不对，整个分析就会悄然衰退。
清洁：有哪些问题，如何解决？
经济数据及其逻辑中最常见的问题：
- 观察不完整。一个月/季度是空的。解决方案取决于上下文：如果实际不存在，则留空；如果存在技术差距，就会进行仔细的插补——但制造之间的界限很窄。
- 单位和格式的混乱。文本“12.345.6”必须转换为数字；百万/十亿应该保持一致。
- 频率不匹配。为了合并月度和季度系列，需要进行汇总（月度到季度）——是平均、总计还是期末取决于指标的性质（存量/流量区别）。
- 离群值（极端值）。如果观察结果严重偏离：这是真实事件（危机、价格上涨）还是数据错误？删除之前就明白了。
- 日期对齐。不同系列的日期格式和期间定义是同步的。
注意：填补缺失数据看似无辜，但却是一个经济决策。用“邻近月份的平均值”填充危机月份意味着从分析中删除该危机。在填写之前，先问“为什么会存在这个差距？”回答问题。
标准经济转型
经济学家日常技能中的变换及其定义：
- 名义→实际。价格影响调整：实际价值=名义价值/价格指数×100。平减指数（调整指数）的基年决定结果的基数。
- 索引。重新调整系列，使选定的周期 = 100；它对于比较不同尺寸的系列很有用。
- 增长率。年度：（本期同期/去年－1）×100。周期率和年化率是不同的东西；混淆是一个常见的错误。
- 季节性修正。净化常规季节性影响（夏季旅游、节假日）；原始系列和季节性调整后的系列讲述了不同的故事。
- 移动平均线。消除噪音并使趋势可见。
- 对数和差分。检查增长动态和平稳性（将在时间序列单元中加深）。
提示：每次转换时，您都会被问到“单位和基础发生了什么？”问。实数级数的基数是平减指数的基数；索引系列的基础是您选择的期间。把这些写下来可以防止将来出现错误。
探索性数据分析 (EDA)
在将数据输入模型之前有必要对其进行识别。探索性数据分析 (EDA) 包括：汇总统计数据（平均值、中位数、标准差、最小值-最大值）、分布形状、随时间变化的过程、异常值和系列之间的相关性。 AI快速生成这些步骤的代码；你的工作是用经济学的眼光来解读输出：“这个平均值合理吗？这种相关性是巧合还是已知的关系？”
注意：相关性在这里只是一种识别手段，而不是因果关系的证明。两个系列同时发生的事实（例如，冰淇淋销售和溺水事件——两者都是由夏季引发的）并不一定表明其中一个会导致另一个。我们将在第 7 单元中加深这种区别。
三个迷你箱子
情况 1 — 平减指数基数不正确。一位分析师让人工智能编写代码来实现工资序列。代码有效，结果看起来合理 - 但分析师在“计算”步骤中手动计算了 2020 年，但它不起作用。问题：人工智能使用以2003年=100为基数的平减指数，并要求以2015年价格计算工资序列；基础是相互冲突的。通过一行修复修复了代码，整个系列就位了。
情况 2 — 无声音量错误。某机构减少了千美元的出口数据和百万美元的进口数据。当人工智能把“外贸平衡”的两者去掉后，结果就是荒唐的赤字。 EDA 中的最小-最大视图揭示了错误：两个系列的数量级相差 1000 倍。一旦单位均衡，平衡就正确了。
情况 3 — 不删除异常值。系列中的一个月非常低。 AI 建议“异常值，让我们清理它”。分析师调查：当月由于自然灾害，生产实际上已停止。价值是真实的；删除它会扭曲历史。它没有被删除，而是被加了脚注。人工智能的“明确”建议并没有被盲目遵循。
转换验证表
转换
配方精华
手动检查点
实现
名义/价格指数×100
平减指数基数 = 结果基数？
年增长率
(t / t-12月−1)×100
在纸上计算一个周期
索引
系列/基期×100
基期值是100吗？
每月→每季
流量：收集/库存：期末
正确的收集方法？
移动平均线
最后n个周期的平均值
窗口长度是否正确？
四个可复制模板
1）清洁计划：
我有这个原始数据：[列和样本行]。制定清理计划以准备分析：缺失值、单位/格式问题、日期对齐、频率对齐、可能的异常值。用一句话解释为什么每一步都是必要的。暂时不要写代码；让我先确认一下计划。
2）pandas清理代码：
按照我批准的计划编写pandas代码。让代码用注释行指示每一步的作用；它打印转换后的行数和缺失值。不要默默地删除任何观察结果；报告您删除的每一行。
3）实现（可验证）：
用[价格指数]实现这个名义系列。使用平减指数时，写清楚平减指数的基准年；指定结果系列的基础是什么。逐步向我展示单个时期内的帐户，以便我可以手动验证。
4）探索性分析总结：
为以下清理后的数据编写探索性分析代码：汇总统计、时间序列图、离群值扫描和相关矩阵。在解释结果时，请明确您发现的相关性不是因果关系，并列出对我来说很突出的 3 点。
弱提示/强提示
弱提示：
清除该数据。
人工智能根据假设行事，但不知道要清理什么；您可以删除观察结果，更改单位，您不会注意到。
强力提示：
本次月度外贸数据中，出口单位为“千美元”，进口单位为“百万美元”。使两者等于“百万美元”，标记缺失的月份但不填写，将日期与月底对齐。打印每一步有多少行受到影响；静默删除任何行。然后以我可以手动检查的方式显示单月的余额。
常见错误
- 运行转换代码而不读取它。错误的基础/单位会悄悄破坏整个分析。
- 不假思索地填写缺失的数据。用平均值消除危机/灾难时期。
- 自动丢弃异常值。将真实事件误认为数据错误。
- 令人困惑的季节性和年度增长。两者尺寸不同。
- 频率组合不正确。收集库存系列并将其作为流程进行处理。
- 将 EDA 中的相关性误认为因果关系。将识别工具误认为是证据。
总之
数据清理和转换是经济分析中看不见但决定性的 80%。人工智能极大地加速了这项机械工作；但您需要阅读每个清理步骤和每个转换，并手动验证至少一个观察结果。平减指数基数、单位、频率和异常值决策都是经济决策，不能盲目地交给人工智能。探索性分析引入了数据，但相关性并不等于因果关系。
应用任务
下载实际的原始系列（例如每月 CPI 和名义工资/收入系列）。使用第一个模板创建清洁计划，使用第二个模板生成代码，并使用第三个模板实现该系列。然后在纸上计算出单个时期的真实价值，并与人工智能的输出进行比较。如果发现不匹配，请诊断并纠正其来源（基础/单位）并记下进度。
清单
- [ ] 我在编写代码之前审查并批准了清理计划。
- [ ] 我的每一行都被人工智能报告的删除/更改了；没有静默删除。
- [ ] 填写缺失数据时您可能会问“为什么是空的？”我回答了问题。
- [ ] 我调查了异常值是真实事件还是数据错误。
- [ ] 在实现中，我验证了平减指数基数和结果基数是否匹配。
- [ ] 我手动重新计算了至少一个周期的换算。
- [ ] 我没有将 EDA 中的相关性作为因果关系呈现。