1. 本周 Seminar 总览

这周 seminar 实际上分成两部分：前半部分是 这门课怎么上、怎么考、怎么联系 teaching team；后半部分才是正式进入 Data Wrangling（数据整理）是什么、为什么重要、为什么难、主要做哪些事。也就是说，这周不是单纯“讲知识”，而是在先帮你建立整门 FIT5196 的地图，再告诉你这门课核心在处理什么问题。

从课程目标来看，这门课不是教你 Python 入门，而是默认你已经会用 Python，然后让你学会：把原始数据解析出来、判断数据质量、修复问题、整合多数据源、记录 wrangling 过程，并写脚本把这些工作实现出来。老师在口头说明里也反复强调：Python 是前提，不会在这门课里重教。

从知识内容来看，Week 1 最重要的不是“写代码”，而是先把这几个大问题想明白：Data Wrangling 在数据分析流程里处于什么位置、它为什么是关键步骤、原始数据为什么通常不能直接拿来分析、以及这项工作为什么又难又花时间。 Week 1 课件第 3–18 页基本都围绕这几个问题展开。

2. 核心知识点总结

知识点 1：什么是 Data Wrangling

是什么：

Week 1 课件第 3–4 页把 Data Wrangling 定义为：把原始数据经过 获取（acquiring）/ 收集、清洗（cleaning）、结构化（structuring）、丰富化（enriching） 等处理，变成能直接用于分析的数据。它是数据分析流程中的关键准备阶段。

为什么重要：

因为后面的分析、建模、可视化，都是建立在“输入数据是可用的”这个前提上。老师在 transcript 里明确说了，Data Wrangling 是任何 data analysis project 都绕不过去的一步，而且这个阶段做得好不好，会直接影响整个项目质量。

怎么理解：

你可以把它理解成：

不是直接“分析数据”，而是先把 乱的、脏的、缺的、格式不一致的、生的原始数据，变成 干净、统一、能读、能算、能继续拿去分析 的数据。老师口头总结得很直白：Data Wrangling 本质上就是 “making data useful”。

知识点 2：Data Wrangling 在整个数据分析流程里的位置

是什么：

课件图示里，完整流程大致是：Problem Identification → Data Collection / Cleaning → Data Analysis → Result Interpretation。其中 wrangling 主要覆盖中间的数据收集与清洗，但老师口头又补充了一点：你不能只盯着中间这一步，还要知道前面要解决什么问题、后面分析模型需要什么数据。

为什么重要：

因为 wrangling 不是孤立动作。你整理数据，不是为了“把表格弄漂亮”，而是为了后续分析能真正跑起来，并最终支持决策。老师在 transcript 里一直在强调：你整理完的数据，是要交给别人继续分析的，所以要从“下游怎么用”倒推“上游该怎么准备”。