“猫型还是狗型”这个争论，在角色图鉴类内容里几乎每隔一段时间就会冒出来一次。有人看耳朵，有人看尾巴，有人看脸型，最后往往是谁声音大谁赢。与其靠印象投票，不如把能拿到的特征整理成一张表，用 Python 把数量、均值、分布统统算一遍，再顺手做一个简单的分类模型，让代码给出一个可复现的参考结论。本文就围绕这个趣味问题，完整走一遍“数据表设计 → pandas 汇总统计 → matplotlib 可视化 → scikit-learn 二分类”的流程。文中代码均可直接复制运行，示例数据为演示用的合成数据，重点在于把统计与分类的方法讲透，你可以替换成自己手里的真实数据。

1. 背景与核心概念

1.1 “猫型”与“狗型”本质上是一个分类问题

先把概念说清楚。所谓“猫型”和“狗型”，在角色设定语境里并不是官方给出的严格分类字段，而是玩家社区根据外形特征、行为习惯、动作设计总结出来的一种趣味贴标签方式。猫型往往对应体型轻巧、动作敏捷、独立性强的形象；狗型往往对应体型偏大、力量突出、忠诚亲和的形象。

从技术角度看，这就是一个典型的二分类问题（Binary Classification）：给定一个样本的若干特征，判断它属于两个类别中的哪一个。特征是身高、体重、速度、攻击这类可量化的数值；类别标签就是cat和dog两个字符串。理解了这一点，后面的统计和建模就都有了落脚点。

需要注意的是，“猫型 / 狗型”与“属性类型”是两个不同维度的概念。属性（如普通、火、电）描述的是能力来源，猫狗描述的是形象归类。两者可以做交叉分析，但不能混为一谈。本文的示例表里会同时保留这两个字段，正是为了演示交叉表怎么用。

1.2 为什么用代码来做这件事

人工数一遍几十条数据当然也能数完，但代码有三个明显优势。

第一是可复现。统计口径一旦写成代码，换一批数据重新跑一遍，结论的口径完全一致，不会出现“这次我按体重算、上次我按体长算”的偏差。

第二是可扩展。示例数据只有二十几条，真实图鉴可能有几百上千条，人工统计容易出错，代码则是线性扩展。

第三是能算得更深。除了“谁多谁少”，我们还可以算均值差异、属性分布交叉、特征相关性，甚至训练一个模型来判断新角色更偏向哪一类。这些都不是手算能轻松完成的。

标题里的sum，在这里可以理解为“汇总求和”——把各类别、各属性的数据加总起来横向比较。这也是本文第 4 节的核心内容。

1.3 本文涉及的三个技术点

整篇文章会围绕三个技术点展开，它们各自独立又互相衔接：

• pandas 数据汇总：读取 CSV、分组（groupby）、计数（value_counts）、求和（sum）、求均值（mean）、交叉表（crosstab）、透视表（pivot_table）。
• matplotlib 可视化：柱状图、饼图、散点图，以及最容易被忽略的中文字体配置。
• scikit-learn 分类建模：特征标准化、训练集测试集划分、KNN 分类器、准确率评估、概率预测。

三个技术点覆盖了数据分析项目的常规链路，学完之后这套模板可以迁移到很多类似场景，比如商品分类、用户分群、内容打标。

2. 环境准备与版本说明

2.1 运行环境与依赖

本文示例在常规的 Python 3 环境下即可运行，操作系统不做限制，Windows、macOS、Linux 都能跑。所需的第三方库有三个：

具体的版本号本文不写死，因为不同时间点安装到的版本会有差异。建议的做法是：先确认 Python 版本在 3.8 以上，然后直接安装较新的稳定版。如果你的项目已有依赖约束，以项目requirements.txt为准，避免为了跑一个示例把整个环境升级乱掉。

2.2 安装命令

推荐使用虚拟环境隔离，避免污染全局环境。下面是通用命令：

# 创建虚拟环境（可选，但强烈建议） python -m venv venv # Windows 激活 venv\Scripts\activate # macOS / Linux 激活 source venv/bin/activate # 安装依赖 pip install pandas matplotlib scikit-learn

如果国内网络拉取较慢，可以配置镜像源，这一点按你所在环境的实际情况处理即可。安装完成后可以用下面的命令快速自检：

python -c "import pandas, matplotlib, sklearn; print(pandas.__version__, matplotlib.__version__, sklearn.__version__)"

只要能打印出三个版本号，就说明环境正常。

2.3 项目目录结构

本文示例采用如下目录结构，结构简单但足够清晰，方便后续扩展：

cat-dog-pokemon/ ├── data/ │ └── characters.csv # 示例数据 ├── scripts/ │ ├── analyze.py # 汇总统计 │ ├── visualize.py # 可视化 │ └── classify.py # 分类模型 ├── output/ │ ├── count_bar.png │ ├── pie.png │ └── scatter.png └── README.md

data放数据，scripts放脚本，output放生成物，这是一个很通用的划分方式。养成把输入、代码、输出分开的习惯，后期排查问题时能省很多时间。

3. 数据结构设计：先把表建对

3.1 字段设计思路

数据分析里有一句话：表建对了，后面就顺了。字段设计要考虑两件事——一是能不能支撑你要回答的问题，二是后续建模能不能直接用。

针对“猫型还是狗型”这个问题，我们至少要能回答：各类别有多少个？各类别的平均体型差多少？不同属性在两类之间的分布是否有差异？新角色更接近哪一类？

据此设计的字段如下：

这里把数值型特征统一成可比较的量纲很重要。如果身高的单位有人写厘米、有人写米，后面算均值就会得到毫无意义的数字。数据表设计阶段就要把单位统一写进字段名，这是一种自解释的做法。

3.2 示例数据说明

需要特别强调：下面这份数据是为了演示流程而构造的合成数据，角色名称使用通用代号，不代表任何真实图鉴设定。它的作用是让代码能跑起来、让统计口径能演示清楚。你在实际使用时，请替换成自己合法获取的数据源。

id,name,category,type1,height_m,weight_kg,hp,attack,speed 1,示例角色01,cat,normal,0.4,4.2,45,49,45 2,示例角色02,cat,normal,0.5,6.0,60,62,60 3,示例角色03,cat,electric,0.4,6.0,35,55,90 4,示例角色04,cat,psychic,0.3,3.2,40,45,55 5,示例角色05,cat,fairy,0.3,3.0,38,45,53 6,示例角色06,cat,dark,0.4,4.5,44,50,65 7,示例角色07,cat,grass,0.4,5.0,50,55,45 8,示例角色08,cat,normal,0.3,2.8,35,40,75 9,示例角色09,cat,ice,0.4,5.5,55,50,40 10,示例角色10,cat,fire,0.5,8.0,65,70,70 11,示例角色11,cat,ghost,0.3,2.5,30,35,85 12,示例角色12,cat,steel,0.4,9.0,60,65,50 13,示例角色13,dog,normal,0.7,14.0,65,70,45 14,示例角色14,dog,fighting,0.8,18.0,75,80,60 15,示例角色15,dog,fire,0.9,25.0,80,95,55 16,示例角色16,dog,rock,0.6,30.0,70,85,35 17,示例角色17,dog,electric,0.8,20.0,70,80,90 18,示例角色18,dog,water,1.0,28.0,85,75,50 19,示例角色19,dog,ground,1.1,35.0,90,100,40 20,示例角色20,dog,dark,0.9,22.0,75,90,65 21,示例角色21,dog,normal,0.6,12.0,55,60,70 22,示例角色22,dog,ice,0.8,24.0,78,72,48 23,示例角色23,dog,fairy,0.7,16.0,68,62,58 24,示例角色24,dog,poison,0.9,21.0,72,78,52

把这段内容保存为data/characters.csv，注意编码选择 UTF-8，避免中文列名或名称出现乱码。

3.3 为什么数据量少也能做演示

有同学会问：24 条数据训练模型有意义吗？答案是——对演示流程有意义，对得出可靠结论意义不大。

本文使用小样本，主要目的是让整条链路能在本地几秒钟内跑通，方便你验证环境、理解每一步的作用。真实项目中，如果你要得到一个有说服力的分类器，样本量通常需要达到数百甚至更多，并且要保证两个类别的样本尽量均衡。这个前提在后面的最佳实践里还会再提。

4. pandas 分组统计：把 sum 算明白

4.1 读取数据与基础检查

先把数据读进来，做几项基础检查：形状、前几行、各列类型、缺失值情况。这几步是标准动作，建议每次都做，能提前发现很多低级问题。

# 文件路径：scripts/analyze.py import pandas as pd DATA_PATH = "data/characters.csv" df = pd.read_csv(DATA_PATH, encoding="utf-8") print("数据形状：", df.shape) print("\n前 3 行：") print(df.head(3)) print("\n各列类型：") print(df.dtypes) print("\n缺失值统计：") print(df.isna().sum())

预期输出大致如下（具体数值以你的数据为准）：

数据形状： (24, 9) 前 3 行： id name category type1 height_m weight_kg hp attack speed 0 1 示例角色01 cat normal 0.4 4.2 45 49 45 1 2 示例角色02 cat normal 0.5 6.0 60 62 60 2 3 示例角色03 cat electric 0.4 6.0 35 55 90

df.shape返回(24, 9)，表示 24 行 9 列。如果这里打印出来的形状和你预期不一致，通常是 CSV 里有空行、或者分隔符不是逗号，需要先排查数据文件本身。

4.2 计数、求和与均值

接下来做最核心的汇总。这里要区分三个概念，很多初学者容易混淆：

• count（计数）：某一类有多少条记录。
• sum（求和）：某一类某个数值字段的总和。
• mean（均值）：总和除以条数，反映“个体平均水平”。

三者用在哪？如果你想回答“哪一类更多”，看 count；如果你想回答“哪一类总体力量更强”，可以看 sum，但 sum 会被数量影响，所以更严谨的做法是看 mean。下面代码把三种都算一遍。

# 文件路径：scripts/analyze.py（续） # 1. 类别计数 count_by_cat = df["category"].value_counts() print("各类别数量：") print(count_by_cat) # 2. 按类别求和 sum_by_cat = df.groupby("category")[["hp", "attack", "speed", "weight_kg"]].sum() print("\n各类别属性总和：") print(sum_by_cat) # 3. 按类别求均值（保留两位小数） mean_by_cat = df.groupby("category")[["height_m", "weight_kg", "hp", "attack", "speed"]].mean().round(2) print("\n各类别属性均值：") print(mean_by_cat)

groupby("category")的作用是按 category 这一列把数据切成若干组，后面的聚合函数会在每组内部独立计算。[["hp", "attack", ...]]这种双括号写法表示选出多列，返回的是一个 DataFrame；如果只选一列，返回的是 Series。

运行后你会看到类似这样的均值表：

height_m weight_kg hp attack speed category cat 0.38 5.31 48.08 52.58 61.08 dog 0.82 21.25 72.50 77.58 52.75

从这张表能读出一些有意思的差异：猫型平均身高和体重明显更小，速度均值更高；狗型则在体力、攻击上有优势。这正好印证了前面说的形象设定差异——轻巧敏捷对厚重力量。

这里再补充一个容易踩坑的点：mean()默认会跳过 NaN，但如果某一列整列都是文本，pandas 会直接把它排除在计算之外而不报错。所以看到结果少了几列时，先检查列的数据类型是不是被误读成了字符串。

4.3 交叉表与透视表

如果只看类别之间的整体差异还不够，可以进一步看“属性 × 类别”的分布。pd.crosstab用来做频数交叉表，pivot_table用来做带聚合函数的透视表，两者都是分析阶段的常用工具。

# 文件路径：scripts/analyze.py（续） # 属性与类别的交叉频数表 cross = pd.crosstab(df["type1"], df["category"], margins=True, margins_name="合计") print("属性 × 类别 交叉表：") print(cross) # 透视表：按类别看速度均值 pivot = df.pivot_table( index="category", values=["hp", "attack", "speed"], aggfunc="mean" ).round(2) print("\n透视表：") print(pivot)

margins=True会在最后追加一行一列合计，margins_name="合计"则把默认的All改成中文，输出更易读。

交叉表的价值在于快速发现分布是否均衡。比如某个属性只出现在猫型里、另一个只出现在狗型里，那这个属性在分类模型里就会变成非常强的信号。这类“单一取值主导”的特征在真实项目中需要特别警惕，因为它可能带来过拟合。

4.4 结果解读的注意事项

拿到统计结果后，有三个解读原则值得记住。

第一，小样本的均值不稳定。24 条数据里某一类只有 12 条，均值很容易被一两个极端值拉偏。看均值的同时最好看一眼中位数和最大值最小值。

第二，相关不等于因果。统计出“狗型平均攻击更高”，只能说明在这份数据里存在这个现象，不能推导出“因为它是狗型所以攻击高”。

第三，口径要写进结论。写分析报告时，最好注明“基于 N 条样本、采用算术平均值”，这样别人才知道你的数字是怎么来的。

如果需要看中位数和极值，可以这样补一段：

# 文件路径：scripts/analyze.py（续） describe = df.groupby("category")["speed"].describe().round(2) print("速度分布描述性统计：") print(describe)

describe()会一次性给出 count、mean、std、min、25%、50%、75%、max，非常适合快速了解一个字段的分布形态。

5. 可视化：让结论一眼能看懂

5.1 中文显示配置（最容易踩的坑）

matplotlib 默认字体不含中文字形，直接画中文标题会显示成一堆方块。这是新手最高频的问题之一。解决办法是显式指定一个系统中存在的中文字体。

# 文件路径：scripts/visualize.py import matplotlib matplotlib.use("Agg") # 无图形界面环境下必须，生成本地图片 import matplotlib.pyplot as plt import pandas as pd # 按优先级尝试多个候选字体 plt.rcParams["font.sans-serif"] = [ "SimHei", # Windows 常见 "Microsoft YaHei", # Windows 常见 "PingFang SC", # macOS 常见 "WenQuanYi Zen Hei",# Linux 常见 "DejaVu Sans" # 兜底，不含中文 ] plt.rcParams["axes.unicode_minus"] = False # 解决负号显示为方块 DATA_PATH = "data/characters.csv" df = pd.read_csv(DATA_PATH, encoding="utf-8")

matplotlib.use("Agg")指定使用不依赖显示器的后端，适合在服务器、Docker、CI 环境中运行。如果你在本地 Jupyter 里调试，可以不加这一行。

axes.unicode_minus = False解决的是负号渲染问题。当坐标轴出现负数刻度时，某些字体会把减号显示成方块，这个配置能规避掉。

如果配置完仍然显示方块，说明列表里的字体在你的系统上都不存在。这时可以用下面的代码查一下系统里有哪些可用字体，再替换进去：

from matplotlib import font_manager names = sorted({f.name for f in font_manager.fontManager.ttflist}) print([n for n in names if "Hei" in n or "Song" in n or "YaHei" in n])

5.2 柱状图与饼图

柱状图适合比较数量大小，饼图适合展示占比结构。两者放在一张画布上对照，信息更完整。

# 文件路径：scripts/visualize.py（续） count_by_cat = df["category"].value_counts() fig, axes = plt.subplots(1, 2, figsize=(12, 4)) # 左图：数量柱状图 count_by_cat.plot(kind="bar", ax=axes[0], color=["#4C9BE8", "#F2A65A"]) axes[0].set_title("猫型 / 狗型 数量对比") axes[0].set_xlabel("类别") axes[0].set_ylabel("数量") axes[0].tick_params(axis="x", rotation=0) # 右图：占比饼图 axes[1].pie( count_by_cat.values, labels=count_by_cat.index, autopct="%1.1f%%", startangle=90 ) axes[1].set_title("占比分布") plt.tight_layout() plt.savefig("output/count_bar.png", dpi=150, bbox_inches="tight") plt.close(fig)

几个参数解释一下：figsize=(12, 4)控制画布宽高，单位是英寸；dpi=150控制输出分辨率，数值越大图越清晰、文件也越大；bbox_inches="tight"会裁掉多余白边，避免文字被截断。

plt.close(fig)这一行经常被忽略。在批量生成多张图时，如果不关闭，图形对象会一直占用内存，跑几百张图后可能直接把内存撑满。

5.3 散点图看两类分布

散点图最适合观察两个数值特征在两类之间是否可分离。如果两类点在图上的位置明显分开，说明这两个特征对分类很有用；如果混在一起，说明单靠这两个特征很难区分。

# 文件路径：scripts/visualize.py（续） fig, ax = plt.subplots(figsize=(8, 6)) for cat, group in df.groupby("category"): ax.scatter( group["weight_kg"], group["speed"], label=cat, alpha=0.75, s=70 ) ax.set_xlabel("体重（kg）") ax.set_ylabel("速度") ax.set_title("体重与速度分布散点图") ax.legend() ax.grid(alpha=0.3) plt.tight_layout() plt.savefig("output/scatter.png", dpi=150, bbox_inches="tight") plt.close(fig)

for cat, group in df.groupby("category")这种写法在画分组图时非常好用，比手动筛两次再画要简洁得多。alpha控制透明度，重叠的点也能看清密度；s控制点的大小。

在示例数据上，你大概率会看到左下角密集的是猫型（体重轻、速度快），右上角散开的是狗型（体重大、速度相对低）。这种视觉上的分离度，正好可以反过来验证第 6 节的模型效果是否合理。

6. 实战：用 KNN 做一个猫狗分类小模型

6.1 特征选择与标准化的必要性

建模之前先想清楚用哪些特征。本文选height_m、weight_kg、hp、attack、speed这五个数值列作为特征，category作为标签。注意绝对不能把id、name放进特征——id是唯一标识，和类别没有因果关系；name是文本，且在我们的数据里和类别高度绑定，放进去等于直接泄露答案。

标准化是这一步的关键。原因是：身高单位是米，数值在 0.3 到 1.1 之间；体重在 2.5 到 35 之间；速度在 35 到 90 之间。量纲差异很大，而 KNN 是基于距离计算的算法，距离会被数值大的特征完全主导。标准化的作用就是把每个特征缩放到均值 0、方差 1 的尺度上，让各特征权重平等。

# 文件路径：scripts/classify.py import pandas as pd from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import accuracy_score, classification_report DATA_PATH = "data/characters.csv" df = pd.read_csv(DATA_PATH, encoding="utf-8") FEATURES = ["height_m", "weight_kg", "hp", "attack", "speed"] TARGET = "category" X = df[FEATURES].values y = df[TARGET].values print("特征矩阵形状：", X.shape) print("标签分布：", pd.Series(y).value_counts().to_dict())

6.2 划分训练集与测试集

训练集用于“学习”，测试集用于“考试”。如果两者混在一起评估，模型相当于提前看过答案，评估结果没有参考价值。

stratify=y的作用是按类别比例分层抽样，保证训练集和测试集里两个类别的占比一致。在小样本场景下这个参数尤其重要，否则可能出现测试集里全是同一类的情况。

# 文件路径：scripts/classify.py（续） X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.25, random_state=42, stratify=y ) print("训练集样本数：", len(X_train)) print("测试集样本数：", len(X_test))

random_state=42固定随机种子，保证每次运行结果一致，便于复现和排查。这个数值本身没有特殊含义，取任何整数都可以，关键是同一个项目里统一。

需要提醒：stratify在某个类别的样本数少于 2 时会报错，因为无法在两个子集里都分出该类。如果你的数据里存在“稀有类别”，要么去掉stratify，要么先补充样本。

6.3 训练与评估

KNN 的核心思想很朴素：看一个样本周围最近的 K 个邻居分别属于哪一类，然后少数服从多数。它没有显式的“训练过程”，fit阶段只是把训练数据存起来，预测时才真正计算距离。

# 文件路径：scripts/classify.py（续） scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) # 注意：只用 transform，不要 fit k = min(5, len(X_train)) model = KNeighborsClassifier(n_neighbors=k) model.fit(X_train_scaled, y_train) y_pred = model.predict(X_test_scaled) print("K 值：", k) print("准确率：", round(accuracy_score(y_test, y_pred), 4)) print("\n分类报告：") print(classification_report(y_test, y_pred, zero_division=0))

这里有一个非常经典的错误需要强调：测试集只能用transform，绝对不能用fit_transform。如果对测试集调用fit_transform，就会用测试集的均值和方差重新计算，相当于让模型提前知道了测试数据的分布，这属于数据泄露，评估结果会虚高。

k = min(5, len(X_train))是一个防御性写法。当训练样本少于 5 个时，直接传 5 会报错，取最小值可以避免这个边界问题。

classification_report会给出精确率、召回率、F1 值。样本量小的时候，准确率的波动会很大，比如 6 个测试样本错 1 个，准确率就从 100% 掉到 83.3%。所以小样本下不要过度解读这几个数字，重点看流程是否跑通、代码逻辑是否正确。

6.4 用模型做一次预测

模型训练好之后，可以输入一个新角色的特征，看它被判成哪一类，以及两类各自的概率。

# 文件路径：scripts/classify.py（续） new_sample = [[0.5, 7.0, 50, 55, 80]] # 身高、体重、hp、攻击、速度 new_scaled = scaler.transform(new_sample) proba = model.predict_proba(new_scaled)[0] print("预测结果：", model.predict(new_scaled)[0]) print("各类概率：") for name, p in zip(model.classes_, proba): print(f" {name}: {p:.2%}")

predict_proba返回的是每个类别的概率，顺序和model.classes_一致。用zip配对打印可以避免看错顺序。这种“给出概率而不是只给结论”的做法在实际业务中很常见，因为决策者往往需要知道把握有多大。

如果模型给出的概率接近 50% 对 50%，说明这个新样本的特征在两类之间比较模糊，属于典型的“边界样本”。这类样本在真实场景里往往需要人工复核，而不是完全交给模型。

7. 常见问题与排查思路

实操过程中遇到的问题，大部分集中在数据读取、中文显示和样本划分三块。下面这张表覆盖了最高频的几类。

挑几个典型问题展开说一下排查思路。

路径问题是最常见的。很多人是在scripts/目录下执行python analyze.py，此时工作目录是scripts/，data/characters.csv自然找不到。解决方式有两种：一是在项目根目录用python scripts/analyze.py执行；二是在代码里用pathlib基于文件位置拼出绝对路径。后者更稳健：

from pathlib import Path BASE_DIR = Path(__file__).resolve().parent.parent DATA_PATH = BASE_DIR / "data" / "characters.csv"

列名带空格的问题非常隐蔽。从 Excel 导出 CSV 时，表头有时会带不可见的空格或 BOM 字符，导致df["category"]报 KeyError。排查时先打印df.columns.tolist()，肉眼看不出来就用repr()打印，空格会显示出来。统一的清洗写法是：

df.columns = df.columns.str.strip().str.replace("\ufeff", "", regex=False)

准确率虚高是建模阶段最需要警惕的。除了前面提到的数据泄露，还有一种情况是小样本下测试集刚好和训练集高度相似。判断方法是：把random_state换几个不同的值分别跑一遍，如果准确率在 60% 到 100% 之间大幅波动，说明样本量不足，结论不可靠。

中文乱码还有一种情况是savefig之后图片没问题，但控制台print输出乱码。这通常和终端编码有关，Windows 下可以尝试chcp 65001切换到 UTF-8 编码页，或者在脚本开头加环境变量配置。

8. 最佳实践与工程建议

8.1 数据层面的规范

第一，字段命名统一。数值字段把单位写进名字，如weight_kg、height_m，比只写weight、height要清晰得多。后面别人接手或自己半年后回看，都能立刻明白含义。

第二，标签取值收敛。category只用cat/dog两个值，不要出现Cat、CAT、猫咪混用的情况。大小写不一致会导致value_counts()统计出多行，模型也会把它当成多个类别处理。

第三，数据版本可追溯。示例数据文件名里可以带上日期或版本，如characters_v1.csv。真实项目里更推荐用 Git 管理数据文件，或者记录数据来源与生成脚本，保证任何一次分析结果都能复现。

第四，缺失值要有明确策略。是删除、填充还是标记为特殊值，需要提前定好并写进文档。不同策略对统计结果的影响可能很大，尤其是在小样本场景下。

8.2 代码层面的规范

把数据路径、特征列表、超参数都提取为模块级常量，而不是散落在各个函数里。这样做的好处是改一处即可全局生效：

DATA_PATH = "data/characters.csv" FEATURES = ["height_m", "weight_kg", "hp", "attack", "speed"] TARGET = "category" TEST_SIZE = 0.25 RANDOM_STATE = 42

函数划分上，建议把“读取数据”“统计汇总”“画图”“建模”拆成独立函数，主流程只负责调用。这样单测好写，调试也好定位：

def load_data(path): """读取并清洗数据，返回 DataFrame。""" df = pd.read_csv(path, encoding="utf-8") df.columns = df.columns.str.strip() return df def summarize(df): """输出类别计数与均值汇总。""" return df.groupby("category")[["hp", "attack", "speed"]].mean().round(2)

异常处理要有针对性，不要用一个裸except兜住所有错误。读取文件时至少区分“文件不存在”和“格式错误”两种情况，分别给出明确提示，这样排查时不用猜。

日志方面，脚本类项目用print可以接受，但一旦要做成定时任务或服务，就应该换成logging，把关键步骤、耗时、样本量都记录下来。

8.3 建模层面的建议

样本均衡是首要前提。如果两个类别数量差得很悬殊，模型会倾向于全预测成多数类，准确率看着不低但没有实际意义。处理方式包括重采样、调整类别权重等，具体选哪种要看业务场景。

特征工程要有依据。不要因为某个特征能提升一点准确率就无脑加，要能解释它为什么和标签相关。本文里的体重、速度之所以有效，是因为猫狗的形象设定本身就包含了体型差异，这个解释是成立的。

交叉验证比单次划分更可靠。样本稍多之后，建议用cross_val_score做 K 折交叉验证，看准确率的均值和方差，而不是只看一次划分的结果：

from sklearn.model_selection import cross_val_score scores = cross_val_score(model, scaler.transform(X), y, cv=5) print("各折准确率：", scores.round(4)) print("平均准确率：", round(scores.mean(), 4))

模型选择由简到繁。KNN 简单直观，适合入门和快速验证；数据量上来、特征维度变高之后，可以再考虑逻辑回归、决策树、随机森林等方法。不要一上来就上复杂模型，先跑通基线才是正确的顺序。

结果要能解释。在“猫型还是狗型”这类趣味场景里，给出一个分类结论的同时，最好能说明是哪些特征起了主要作用。KNN 本身解释性一般，如果业务上需要解释，可以换成决策树并输出特征重要性。

9. 总结与学习路线

回头看这篇文章的链路，其实就三件事：把数据整理成一张干净的表，用汇总统计把“谁多谁少、差多少”算清楚，再用一个简单模型把判断过程自动化。pandas 负责第一步和第二步，matplotlib 负责把结论变得直观，scikit-learn 负责第三步。这三块能力组合起来，就能覆盖相当多的日常数据分析需求。

如果你想把这条链路继续往深里走，建议按下面的顺序推进：

• 先把 pandas 的groupby、merge、pivot_table这三个操作练熟，它们能解决八成以上的数据整理问题。
• 再补 matplotlib 和 seaborn 的常用图表，重点是分组柱状图、箱线图和热力图，这三种在对比分析里出现频率极高。
• 然后系统学一遍 scikit-learn 的流程：train_test_split→StandardScaler→ 模型 →cross_val_score→ 调参。这套流程基本是固定的，熟练之后换任何模型都能套用。
• 最后关注数据质量本身。特征是否泄露、样本是否均衡、标注是否一致，这些问题对结果的影响往往比换模型大得多。

在真实项目中，需要优先防范的风险有三个：一是数据来源的合法性，任何分析都应基于你有权使用的数据；二是特征泄露导致评估失真，务必在建模前逐个确认特征列的含义；三是小样本下的过度解读，结论要注明样本量和口径，不要把巧合当成规律。

建议你先把文中的示例数据跑通一遍，看到图表和准确率之后，再换成自己感兴趣的数据集重新走一遍流程。真正动手跑一次，比读十遍教程都管用。如果这篇文章对你有帮助，可以收藏起来，后面做数据分析时直接拿这套模板改。