WorkBuddy 实战：3 步把杂乱 CSV 报表一键变成可视化图表（含完整命令）

关键词：WorkBuddy / 数据分析 / 自动化 / 可视化 适用场景：每天被各种 CSV、Excel 报表淹没，却又没时间做图的人。 本文是一篇完整教程，复制命令即可复现，无需任何手写代码基础。

一、为什么用 WorkBuddy 做这件事

你是不是经常遇到这样的循环：

• 财务/运营每天甩来一份 CSV：「帮我看下这个月趋势」
• 你打开 Excel，筛选、透视、插图表，折腾半小时
• 明天又来一份，又重来一遍

WorkBuddy 的价值在于：你把「这一类活」描述一次，它就帮你把读取、清洗、分析、出图的全流程跑通，还能存成脚本反复用。本文带你从零跑通一个「CSV → 自动清洗 → 可视化报表」的闭环。

最终效果：丢一份任意结构的销售 CSV 进去，WorkBuddy 自动输出一张按月份汇总的销售额柱状图 + 一张品类占比饼图，全程零手工。

二、准备工作（2 分钟）

只需要两样东西：

1. WorkBuddy 已安装（本教程在 Windows + WorkBuddy 终端环境下验证）。
2. Python 环境（WorkBuddy 自带托管 Python 运行环境，无需自己装）。

我们用一个示例 CSV 演示。假定你手上的原始数据长这样（字段乱、还有空行和中文表头）：

月份,产品,销售额,备注
2026-01,云服务器,120000,
2026-01,数据库,80000,
2026-02,云服务器,150000,
2026-02,数据库,95000,
2026-03,云服务器,180000,大促
2026-03,数据库,110000,
2026-03,CDN,60000,
,,,
2026-04,云服务器,200000,
2026-04,数据库,130000,
2026-04,CDN,75000,

真实业务里数据往往比这还乱，但 WorkBuddy 的读取和清洗步骤能兜住绝大多数情况。

三、Step 1：让 WorkBuddy 读取并清洗数据

在 WorkBuddy 对话框里，直接用自然语言描述需求即可：

你：「读取 workspace 下的 sales.csv，去掉空行和无效列，按月份汇总各产品销售额，输出干净的数据表。」

WorkBuddy 会调用文件读取与脚本能力，帮你生成清洗逻辑。你也可以用下面的命令在 WorkBuddy 终端里直接验证（把路径换成你自己的）：

# 在 WorkBuddy 终端中执行，确认文件已就位
ls -la sales.csv

核心清洗思路（WorkBuddy 会自动帮你写，这里给出可对照的 Python 逻辑）：

import pandas as pd

df = pd.read_csv("sales.csv")
# 去掉全空行
df = df.dropna(how="all")
# 只保留需要的列，并转成数值
df["销售额"] = pd.to_numeric(df["销售额"], errors="coerce")
df = df.dropna(subset=["销售额"])
# 按 月份 + 产品 汇总
pivot = df.pivot_table(index="月份", columns="产品",
                       values="销售额", aggfunc="sum").fillna(0)
print(pivot)

输出示例：

产品       CDN    云服务器     数据库
月份
2026-01      0.0  120000.0  80000.0
2026-02      0.0  150000.0  95000.0
2026-03  60000.0  180000.0  110000.0
2026-04  75000.0  200000.0  130000.0

四、Step 2：让 WorkBuddy 做分析与可视化

继续在 WorkBuddy 里说：

你：「基于上面的汇总表，生成两张图：1）各月销售额堆叠柱状图；2）整体品类（产品）销售额占比饼图。保存到 workspace 下。」

WorkBuddy 会生成并运行绘图脚本。完整可复现脚本如下（analyze.py，已附在本文资源包）：

import pandas as pd
import matplotlib
matplotlib.use("Agg")  # 无界面环境也能出图
import matplotlib.pyplot as plt

# —— 1. 读取 & 清洗 ——
df = pd.read_csv("sales.csv").dropna(how="all")
df["销售额"] = pd.to_numeric(df["销售额"], errors="coerce")
df = df.dropna(subset=["销售额"])

# —— 2. 汇总 ——
pivot = df.pivot_table(index="月份", columns="产品",
                       values="销售额", aggfunc="sum").fillna(0)

# —— 3. 图一：堆叠柱状图 ——
ax = pivot.plot(kind="bar", stacked=True, figsize=(9, 5),
                color=["#5B8FF9", "#61DDAA", "#F6BD16"])
ax.set_title("各月销售额汇总（堆叠）", fontsize=14)
ax.set_ylabel("销售额（元）")
ax.set_xlabel("月份")
plt.xticks(rotation=0)
plt.tight_layout()
plt.savefig("sales_by_month.png", dpi=150)
plt.close()

# —— 4. 图二：品类占比饼图 ——
category = df.groupby("产品")["销售额"].sum()
plt.figure(figsize=(6, 6))
plt.pie(category, labels=category.index, autopct="%1.1f%%",
        colors=["#5B8FF9", "#61DDAA", "#F6BD16"], startangle=90)
plt.title("产品销售额占比", fontsize=14)
plt.tight_layout()
plt.savefig("sales_share.png", dpi=150)
plt.close()

print("✅ 图表已生成：sales_by_month.png / sales_share.png")

在 WorkBuddy 终端运行：

python analyze.py

终端会打印 ✅ 图表已生成：sales_by_month.png / sales_share.png，workspace 下就多了两张图。

五、Step 3：把流程固化，下次「一键复用」

这才是 WorkBuddy 真正省时间的地方。把上面这套逻辑固化成一个自动化任务（Automation），以后每天/每周把新 CSV 丢进同一目录，WorkBuddy 自动跑出图。

设置方法（在 WorkBuddy 中）：

1. 打开左侧「自动化」入口，新建一个定时任务；
2. 任务指令写：「读取 workspace/sales.csv，运行 analyze.py 重新生成图表，并把结果汇总成一句话结论」；
3. 设置频率，例如 FREQ=WEEKLY;BYDAY=MO;BYHOUR=9（每周一早 9 点）；
4. 保存并启用。

从此外面的报表一进来，你醒来就有一张现成的图 + 一句结论，不用再手动点 Excel。

六、进阶技巧（加分项）

• 多文件批量：把 read_csv 换成遍历目录下所有 .csv，WorkBuddy 一句「把 data/ 下所有 csv 合并分析」即可。
• 中文乱码：读取时加 encoding="utf-8-sig"，避免 Windows 下中文表头变乱码。
• 配色统一：把 color 换成你们品牌色，生成的图直接能进周报 PPT。
• 导出 Excel：在脚本末尾加 pivot.to_excel("汇总.xlsx")，WorkBuddy 还能帮你把图嵌进文档。

七、小结

用 WorkBuddy 做「CSV → 可视化」只需要三步：

1. 自然语言让 WorkBuddy 读 & 清洗数据；
2. 一句话让它出图并运行脚本；
3. 把流程固化成自动化，以后零操作。

从「每次半小时手点 Excel」到「丢文件自动出图」，这就是 WorkBuddy 把重复劳动变成一次配置的价值。

📎 配套资源（与本文同目录）

• demo/sales.csv —— 示例原始数据
• demo/analyze.py —— 完整可运行分析脚本
• demo/sales_by_month.png —— 生成的堆叠柱状图
• demo/sales_share.png —— 生成的品类占比饼图

复制 demo/ 目录到你的 workspace，运行 python analyze.py 即可复现全部结果。