问题解构与方案推演用户核心诉求在于**“零代码基础”前提下，如何利用AI（AIGC）**高效完成从静态到动态的全流程数据可视化。这需要解决三个关键断层：认知断层：不懂matplotlib等库的 API，如何将业务需求转化为 AI 能理解的指令？流程断层：从原始数据到最终报告，缺乏标准化的处理逻辑（清洗、转换、探索）。技术断层：如何跨越静态图表，实现动态交互或复杂流向图（如桑基图）的生成？推演方案：本方案将摒弃传统的“学习代码”路径，转而构建一套**“提示工程 + 专业术语映射”**的方法论。首先，建立数据预处理的专业术语库，确保输入给 AI 的数据是干净的；其次，构建图表选型决策矩阵，让用户能精准描述所需图表类型；最后，提供针对静态高精度绘图和动态交互生成的具体 Prompt 模板与代码封装示例。通过这种方式，用户只需掌握关键词和逻辑结构，即可指挥 AI 生成符合出版级质量的可视化作品 。AI 辅助数据可视化全流程实战指南一、核心术语体系：构建与 AI 对话的“通用语言”在不编写 Python 代码的情况下，精准使用专业术语是控制 AI 输出质量的关键。这些术语涵盖了从数据准备到图表渲染的全生命周期。1. 数据预处理阶段术语在向 AI 提供数据前，必须明确数据的处理状态。模糊的数据会导致 AI 生成错误的图表逻辑。数据清洗 (Data Cleaning)：指去除重复值、处理缺失值（Missing Values）及修正异常值的过程。若数据包含空值，需明确告知 AI 采用“填充（Imputation）”还是“剔除（Dropping）”策略 。数据转换 (Data Transformation)：涉及数据类型的变更（如字符串转日期）或结构的重组（如宽表转长表，Wide-to-Long format），这是绘制多系列对比图的前提 。描述性统计 (Descriptive Statistics)：在绘图前，要求 AI 先计算均值、中位数、标准差等指标，用于确定坐标轴的合理范围，避免图表因极值而失真 。2. 图表选型与映射术语不同的分析目的对应特定的图表类型，使用准确名称可避免 AI 随机选择低效图表。分析目的推荐图表类型关键提示词 (Keywords)