经管类专业学生并非都要成为程序员，但读表、清洗、画图、做结论已是岗位常态。Python数据分析课程如果照搬计算机系的语法教学，容易劝退。把案例锚定在销售、库存、薪酬这类业务数据上，学生的上手速度明显更快。

表格清洗与缺失值处理

第一节用pandas读取一份门店销售表，学生面对的是合并单元格、日期格式混乱、空值夹杂的真实脏数据。教师要求用fillna与dropna两种策略分别处理，并对比对月销售额均值的影响。一份作业因直接删除含空值的整行，导致周末数据缺失近两成，被要求改用按品类均值填补。

课堂强调清洗不是越干净越好，而是要可解释。学生需写明每一步处理的理由，例如'促销日标记为异常但不删除'。教师展示某零售企业因误删退货行导致库存虚高的真实教训，让学生意识到清洗决策会传导到经营判断。

分组聚合与业务指标计算

第二模块练groupby，学生按地区、品类、月份做销售额与客单价的多维汇总。教师给的任务是从一张10万行订单表找出复购率靠前的5个品类，学生用shift函数判断同一用户相邻订单间隔。不少人第一次写出超过20行的链式代码时很有成就感。

教师引导学生区分'均值'与'中位数'的使用场景，例如客单价分布右偏时中位数更有参考意义。班级用两份报表对比，一份用均值被头部大单拉高、一份用中位数更贴近多数门店，学生由此理解指标选择本身也是一种分析立场。

可视化与结论表达

第三模块用matplotlib与seaborn做趋势、占比、相关三类图。教师要求每图必须配一句结论，禁止只放图不说话。学生把一年的月度GMV画成折线，标出618与双11两个波峰，并附注'大促贡献约三成全年销售额'。

课堂还练了相关散点图，学生发现广告投入与销售额相关系数仅0.4，打破'投得多就卖得多'的直觉。教师提醒相关不等于因果，避免学生把图当证据乱下结论。这类训练让图表回到'辅助决策'而非'装饰'的定位。

期末项目与报告规范

结课要求学生自选一份公开数据集做完整分析，并用Jupyter整理成可复现的报告。教师抽查代码块是否按顺序运行、结论是否有图支撑。约三成初稿出现'结论在前、图在后且对不上'的问题，需重排叙事。

评分标准中'可复现'占两成，即他人拿到数据和notebook能跑出同样结果。多位用人单位反馈，能交付干净分析报告的经管毕业生，在运营岗试用期表现更稳。这也印证了课程把业务而非语法放在中心的设计。

建议与会计、营销课程联合出题，让学生用同一份数据从财务与渠道两个角度各写一段结论，体会同一事实的不同解读。