TRAE 绿皮书
TRAE Work 实战指南 / 数据处理 & 分析

实战指南｜如何用 TRAE 做简易数据分析

提示

TRAE 是面向开发者、职场人与学生的 AI 办公平台，有 TRAE Work 和 TRAE IDE 两款产品。

TRAE Work 侧重学习、办公与工程执行场景，无论你是开发者、职场人、学生，都可以用它写方案、做分析、处理文件、推进协作，并完成需要持续执行、检查和产出结果的自动化任务。支持 桌面端、网页版 和 移动端，多端协作，随时发起任务、查看进展、持续推进。

TRAE IDE 适合写代码、读项目、改 Bug 等开发工作，更适合期望精细控制自己的代码改动和执行过程的开发者。

作者：杨辉

TRAE 战略分析师

提示

本文来自 TRAE 团队的战略分析同学，他将从“什么是数据分析”以及“数据分析的常见痛点”这两个基本问题出发，结合两个真实数据分析场景，带大家实际操作如何使用 IDE 进行数据分析。让更多的非开发背景的同学也能轻松应对复杂的数据分析任务。

本文实践操作版本：TRAE 中国版

模型选择：Auto 模式

什么是数据分析？

数据分析是指通过收集、清洗、整理、分析和解读数据，提取有价值信息、挖掘数据规律，从而为决策提供依据的过程。它核心价值在于将零散的数据转化为可落地的洞察，助力不同领域解决问题、优化流程、提升效率。

在众多职业（例如咨询、金融、互联网）场景中，数据分析都是不可或缺的核心能力。

数据分析常见痛点

在数据分析工具发展的早期阶段，Excel 是绝大多数从业者的首选工具。它操作门槛低、功能全面，既能完成数据的录入、清洗和计算，也能通过数据透视表快速汇总分析数据，还支持柱状图、折线图、饼图等多种图表制作，将复杂的数据结果可视化呈现，满足了日常工作中基础的数据分析需求。

对于简单的数据汇总（数据量级 < 1万行），Excel通常较为流畅，操作响应秒级，但是当数据量级超过1万行甚至10万行时，Excel 开始变慢，筛选、排序、数据透视表等操作耗时延长（秒到分钟级）。当表格里有大量VLOOKUP、SUMIFS、数组公式，或是跨表引用、嵌套函数时，甚至出现文件崩溃的情况，通常需要关闭自动计算（改为手动计算），并且频繁保存，否则文件崩溃会导致几个小时的工作量白费。

数据分析本是一项对技术能力有较高要求的专业工作，但在 AI 编程技术的赋能下，非技术背景的从业者也能借助 AI IDE 高效完成从数据处理、深度分析到可视化呈现的全流程，彻底突破 Excel 在复杂场景下的应用瓶颈。

例如，用户无需再记忆繁杂的公式或代码语法，只需用自然语言描述分析需求，AI 就能自动拆解任务、生成代码并输出精准结果。无论是基础的数据清洗（如读取 CSV 文件并处理重复值）、业务指标计算（如按区域汇总销售额），还是更复杂的可视化呈现（如用折线图展示月度趋势）与进阶的预测分析（如通过时间序列算法预测未来销量），都能通过简单的自然语言指令快速实现——而在过去，这些能力对非技术人员而言几乎是难以企及的。

提示

一言以蔽之，AI 让数据分析告别 “专业壁垒”，成为所有非专业人员都能零门槛上手的实用工具。

为什么用 TRAE 做数据分析

我们把 Excel、ChatGPT、TRAE IDE 基于数据分析的场景进行了多维度对比，可以发现 IDE 在效率、适配性与智能化上全面超越 Excel 与 Chatbot（例如ChatGPT）：

和 Excel 相比

和 ChatBot 类型的产品相比

实操

Stack Overflow 开发者调研是一份面向全球开发者的问卷报告，调研当前开发领域的技术趋势与核心痛点等。他们每年会将源数据发布在其官网 https://survey.stackoverflow.co/

本教程以Stack Overflow 2025年开发者调研数据为例，演示如何用TRAE 完成全流程数据分析。

工具安装与数据准备

本次演示的 TRAE SOLO 模式后续已经进行产品更新，当前演示界面是升级之前的界面。

  1. 下载安装 TRAE ：访问 TRAE 官网（www.trae.com.cn），下载安装包，按引导完成安装，用手机号账号登录即可。
  2. 打开 TRAE IDE 的 SOLO 模式：TRAE IDE 目前提供 SOLO 和 IDE 两种模式，本次我将选择 TRAE IDE 的 SOLO 模式来完成需求。
提示

SOLO 模式 和 IDE 模式的区别：

SOLO：AI 主导全流程，自动拆解任务、调度工具，开发者仅需提需求、审核成果

IDE：开发者主导，AI 提供代码补全、智能问答等辅助，保留传统开发流程，掌控感更强

SOLO 模式有2个选项，分别为 SOLO Builder 和 SOLO Coder，我们本次选择 SOLO Coder，其中的Plan模式也为分析方案的讨论提供了很大便利。

提示

SOLO Builder 和 SOLO Coder 的区别：

SOLO Coder: 适合已有复杂项目的迭代、重构、Bug修复，可自主规划、执行多步任务

SOLO Builder: 适合从0到1完整项目的快速原型验证，从需求分析到部署全流程自动化

图片展示了全新SOLO智能体的两种模式。左侧是SOLO Coder，擅长项目迭代、问题修复与架构重构，能智能任务规划、自主编排智能体，AI专家团队协同开发。右侧是SOLO Builder，适合个人与小团队高效落地项目，从需求编写到上线发布，全链路协同，集成鉴权、数据库、AI服务等工具。图片与上下文紧密相关，直观呈现了SOLO Coder和SOLO Builder的区别，帮助用户根据需求选择合适的智能体模式。
img-410 · 图片展示了全新SOLO智能体的两种模式。左侧是SOLO Coder，擅长项目迭代、问题修复与架构重构，能智能任务规划、自

单文件数据分析场景

数据准备

从 https://survey.stackoverflow.co/ 下载 Stack Overflow 2025 调研数据集，包含「受访者基本信息、技术使用习惯、AI工具态度」等维度，将数据集保存至本地文件夹（例如 “StackOverflow2025” ），方便后续 TRAE 进行读取。

需要注意的是，要单独创建一个文件夹，将下载下来的数据集保存在这个文件夹内，而不是直接打开excel文件。

选择「打开项目」，找到对应文件夹打开。

图片展示的是从官网下载的StackOverflow2025数据文件夹内容。文件夹内有一个名为“stack - overflow - developer - survey - 2025.zip”的ZIP归档文件，其修改日期为2026年1月6日14:54，大小为16.9 MB。该图片与文档中“单文件数据分析场景”部分的“数据准备”内容相关，直观呈现了从官网下载的数据文件状态，为后续AI自动解压并使用Python读取和分析数据做准备。
img-411 · 图片展示的是从官网下载的StackOverflow2025数据文件夹内容。文件夹内有一个名为“stack - overf
图片展示了SOLO Coder编辑器界面。左侧为任务管理区域，有“新任务”按钮及“选择项目”选项。中间是SOLO Coder介绍区域，列出其功能点。右侧是实时编辑器，显示“打开文件夹”等操作选项，下方有“StackOverflow2025”等文件夹。图片中“选择项目”选项被红色框突出显示，与上下文提到的“选择项目”操作相呼应，表明在SOLO Coder中选择项目是数据分析操作前的一步。
img-412 · 图片展示了SOLO Coder编辑器界面。左侧为任务管理区域，有“新任务”按钮及“选择项目”选项。中间是SOLO Cod

开始数据分析

  1. 直接在对话框里输入指令，指令可以简单（例如“帮我分析一下这个数据集”），也可以更细节具体，可以参考下方，这一步是为了让 AI 清晰自己的角色定位。
PLAIN TEXT
我是数据分析师，需要分析Stack Overflow 2025开发者调研数据。
请读取本地文件夹“StackOverflow2025”中的CSV文件，查看数据的前10行、字段列表、数据形状（行数/列数），统计各字段的缺失值数量，生成基础信息报告。
注意处理中文编码问题，避免乱码。
  1. 从官网下载的数据是 zip 文件，无需人工手动解压，AI 自己会解压并使用 Python 来读取和分析数据；大概经过2分钟，AI 会显示初步分析结果，例如 数据基本情况、开发者画像、AI工具使用情况、薪资情况以及技术使用情况等多个方面
这张图片展示了使用TRAE工具进行单文件数据分析的实操过程界面，核心为工具的操作指令与执行步骤。界面内显示工具的“思考过程”：先是确定需分析的Stack Overflow 2025开发者调查zip文件，接着执行了解压指令“unzip stack-overflow-developer-survey-2025.zip -d stackoverflow2025”，并完成文件解压；随后工具计划创建Python脚本“analyze_dataset.py”来分析解压后的数据集，图中还能看到相关的文件状态及变更标识，对应文档中“无需人工手动解压，AI自行处理并分析数据”的实操内容，直观呈现了数据分析的具体操作流程。
img-413 · 这张图片展示了使用TRAE工具进行单文件数据分析的实操过程界面，核心为工具的操作指令与执行步骤。界面内显示工具的“思考过
界面截图
img-414 · 界面截图
这张图片展示了使用TRAE完成Stack Overflow 2025开发者调查数据分析的实操过程，上方是包含编程相关词汇的代码内容，中间显示了开发者优化分析脚本的过程，先有执行初步分析的simple_analysis.py脚本，完成后执行优化后的稳定分析脚本，成功生成了存储于对应目录的分析结果与可视化图表，下方则是Stack Overflow 2025开发者调查数据分析报告的标题及开篇的“数据基本信息”板块，对应文档中用TRAE进行简易数据分析的实操流程，体现了AI完成数据分析后生成对应报告的情况。
img-415 · 这张图片展示了使用TRAE完成Stack Overflow 2025开发者调查数据分析的实操过程，上方是包含编程相关词汇
这张图片呈现了用TRAE完成单文件数据分析场景中，AI给出的初步分析结果界面内容，详细展示了开发者相关的多维度分析数据。记录数为49,191条开发者调查记录，涵盖开发者基本情况、技术使用、工作与薪资等多个方面；数据类型分为119个对象类型字段、52个浮点类型字段、1个整数类型字段。内容包含开发者基本情况（如职业分支、年龄分布、教育水平、工作经验）、技术使用情况（如受欢迎的编程语言、最常用的编程语言、使用率增长的TypeScript、受欢迎的数据库等）的核心数据与相关指标。
img-416 · 这张图片呈现了用TRAE完成单文件数据分析场景中，AI给出的初步分析结果界面内容，详细展示了开发者相关的多维度分析数据。
图片展示的是关于开发者工作与薪资分析的相关数据。其中，NoSQL数据库方面，MongoDB（12.7%）和Redis（14.9%）使用率较高。开发环境方面，Visual Studio Code使用率最高（40.4%），其次是Visual Studio、IntelliJ IDEA、PyCharm等。Web框架中，Node.js和React领先，分别占比23.5%和21.5%。AI模型使用情况显示，OpenAI GPT系列为主导，27.3%的开发者使用OpenAI GPT聊天模型。工作与薪资分析部分，远程工作比例为34.1%，混合工作模式流行，62.3%开发者满意度在7分及以上。
img-417 · 图片展示的是关于开发者工作与薪资分析的相关数据。其中，NoSQL数据库方面，MongoDB（12.7%）和Redis（1
图片展示了开发者薪资分布等数据情况。平均年薪为$87,850，中位数$74,878，薪资范围从$1到$949,750不等，分布右偏。大部分开发者薪资集中在$30,000 - $150,000区间。还呈现了开发者地域分布、工作满意度、AI融入开发情况等多方面数据，如美国领先14.7%、欧洲国家占比高等。图片与上下文紧密相关，是对文档中薪资分布相关内容的直观呈现。
img-418 · 图片展示了开发者薪资分布等数据情况。平均年薪为$87,850，中位数$74,878，薪资范围从$1到$949,750不等
  1. 从初步的分析返回结果来看，我们可以发现一些有趣的下钻分析的维度，例如：
    1. 年龄分布和薪资情况是否有关系
      图片展示了TRAE对年龄分布和薪资情况关系的分析结果。AI创建了“age_salary_analysis.py”分析脚本，运行后生成了详细分析报告。报告指出，平均薪资最高的年龄组为55 - 64岁（$117,649.61），最低的为18 - 26岁（$36,441.86），薪资随年龄呈持续上升趋势。报告还分析了7个年龄组的薪资分布情况，如25 - 34岁组的平均薪资为$68,000.00等。该图片与上下文紧密相关，是对年龄分布和薪资情况关系分析的呈现。
      img-419 · 图片展示了TRAE对年龄分布和薪资情况关系的分析结果。AI创建了“age_salary_analysis.py”分析脚本
      图片展示了TRAE对“开发者薪资数据”进行分析后得出的相关性分析结果及不同年龄组薪资统计。相关性分析中，皮尔逊相关系数为0.3080，表明皮尔逊相关性为中等关联，关系类型为正相关。不同年龄组薪资统计以表格形式呈现，包括年龄组、样本数、平均薪资、中位数薪资等数据，如18 - 24岁平均薪资$34,441.84，中位数薪资$21,000.00等。该图片与上下文紧密相关，是对上文提到的“年龄分布和薪资情况是否有关系”这一下钻分析维度的分析结果呈现。
      img-420 · 图片展示了TRAE对“开发者薪资数据”进行分析后得出的相关性分析结果及不同年龄组薪资统计。相关性分析中，皮尔逊相关系数为
      界面截图
      img-421 · 界面截图
      界面截图
      img-422 · 界面截图
    2. 最常用的编程语言和薪资情况是否有关系
    这张图片展示了用TRAE做数据下钻分析的操作内容，对应上下文里“最常用的编程语言和薪资情况是否有关系”的分析方向。页面顶部标注了核心分析方向“最常用的编程语言和薪资情况是否有关系”，上方标注此次分析涉及的脚本文件为language_salary_analysis.py，还显示该文件的变更积分。页面中间呈现Python代码执行过程，包括执行命令及不同编程语言的薪资相关数据，如平均薪资、关联度等具体数值。页面下方是对应的编程语言与薪资关系分析报告开篇，已列出数据分析概述部分的“数据基本情况”内容，包括有效样本数、数据维度、异常值处理情况等信息。
    img-423 · 这张图片展示了用TRAE做数据下钻分析的操作内容，对应上下文里“最常用的编程语言和薪资情况是否有关系”的分析方向。页面顶
    图片展示了2025年Stack Overflow开发者调查中使用的15种编程语言及平均薪资情况。其中，JavaScript使用人数最多，为14,774人；Go的平均薪资最高，为$104,987.90，中位数薪资为$88,050.00，使用者数量为3,734人。该图片与上下文紧密相关，是对上文提到的“最常用的编程语言”分析结果的具体呈现，帮助理解不同编程语言的使用情况及薪资水平。
    img-424 · 图片展示了2025年Stack Overflow开发者调查中使用的15种编程语言及平均薪资情况。其中，JavaScrip
    界面截图
    img-425 · 界面截图
    图片展示了编程语言与薪资的相关性分析结果。标题为“四、编程语言与薪资的相关性”，列出了编程语言、相关系数、相关性强度、相关性类型等信息。其中，Bash/Shell语言相关系数为0.1010，为正相关；Go语言相关系数为0.1004，为正相关；Rust语言相关系数为0.0608，为正相关；Python语言相关系数为0.0445，为正相关；TypeScript语言相关系数为0.0305，为正相关；Kotlin语言相关系数为0.0148，为正相关；SQL语言相关系数为0.0022，为正相关；Java语言相关系数为0.0011，为正相关；PowerShell语言相关系数为0.0007，为正相关；C++语言相关系数为-0.0009，为负相关；C#语言相关系数为-0.0028，为负相关；C语言相关系数为-0.0145，为负相关；JavaScript语言相关系数为-0.0277，为负相关；HTML/CSS语言相关系数为-0.0619，为负相关。
    img-426 · 图片展示了编程语言与薪资的相关性分析结果。标题为“四、编程语言与薪资的相关性”，列出了编程语言、相关系数、相关性强度、相
    这张图是实战指南中单文件数据分析场景里展示的TRAE工具对数据进行初步分析的结果界面，核心呈现了相关分析结论与可视化内容。界面明确标注了相关性特征、主要发现、实际意义等板块，其中相关性特征里清晰列出各类编程语言与薪资的相关系数，直观体现它们间的关联程度；还列举了如Go和Rust平均薪资较高等核心发现，同时包含局限性说明，最后展示了生成的用于后续分析的可视化图表名称，对应文档提及的多维度数据分析内容。
    img-427 · 这张图是实战指南中单文件数据分析场景里展示的TRAE工具对数据进行初步分析的结果界面，核心呈现了相关分析结论与可视化内容
    1. 工作满意度和薪资情况是否有关系
    图片展示的是一个数据分析任务界面。界面中显示任务名称为“SOLO Coder”，任务描述为用户想了解工作满意度和薪资情况的关系，需创建分析脚本。下方有“job_satisfaction_salary_analysis.py”文件代码，其中一行代码引发错误，提示“ModuleNotFoundError: No module named &#39;scipy&#39;”，表明缺少scipy库。界面右上角有“查看变量”按钮。该图片与上下文紧密相关，上下文提到用户想分析工作满意度和薪资情况，需创建脚本，此图展示了脚本运行时遇到的错误情况。
    img-428 · 图片展示的是一个数据分析任务界面。界面中显示任务名称为“SOLO Coder”，任务描述为用户想了解工作满意度和薪资情况
    图片展示了在使用TRAE进行单文件数据分析时，对工作满意度与薪资关系分析过程中出现的错误及修复情况。画面中显示了代码编辑界面，包含“job_satisfaction_salary_analysis.py”文件的代码，以及代码运行时的错误信息。错误提示在输出最终结论时，当spearman_corr为None时，尝试使用格式化字符串输出会导致TypeError。下方代码编辑区域有“+4 -1”标识，表明有4处修改1处删除。该图片与上下文紧密相关，直观呈现了代码运行错误及修复前的代码状态。
    img-429 · 图片展示了在使用TRAE进行单文件数据分析时，对工作满意度与薪资关系分析过程中出现的错误及修复情况。画面中显示了代码编辑
    图片展示的是工作满意度与薪资关系分析报告。报告包含数据分析概述，如数据基本情况、工作满意度分布等；以及不同工作满意度组的薪资统计，如薪资统计概览等。报告还指出大部分开发者工作满意度集中在9 - 9分之间，6分的开发者数量最多，9分和10分的开发者数量较少。该图片与上下文紧密相关，是对上文提到的“再次运行脚本来获取完整的工作满意度与薪资关系分析结果”的具体呈现，帮助理解分析内容。
    img-430 · 图片展示的是工作满意度与薪资关系分析报告。报告包含数据分析概述，如数据基本情况、工作满意度分布等；以及不同工作满意度组的
    图片展示的是工作满意度与薪资情况的相关分析数据。表格中列出了不同工作满意度等级（0 - 10分）的样本数、平均薪资、中位数薪资、标准差及薪资范围。如0分工作满意度的样本数为124，平均薪资$81,606.40，中位数薪资$61,024.00等。此外，还对薪资分布特征进行了总结，指出薪资随工作满意度提高总体上升，且不同满意度组的薪资标准差均超过$60,000，低满意度组薪资差异更大。该图与上下文相关，是对工作满意度与薪资情况相关性分析的具体数据呈现。
    img-431 · 图片展示的是工作满意度与薪资情况的相关分析数据。表格中列出了不同工作满意度等级（0 - 10分）的样本数、平均薪资、中位
    图片为AI对开发者工作满意度与薪资情况相关性的分析结果。包含相关性系数、相关性解释、可视化分析结果等内容。相关性系数为0.0849，表明两者存在极弱或无相关关系。工作满意度与薪资有极弱的正相关关系，但影响程度较小。还呈现了工作满意度分布、工作满意度与薪资的散点图、不同工作满意度组的薪资箱线图、不同工作满意度组的平均薪资柱状图、工作满意度与薪资的线性回归图等可视化分析结果。
    img-432 · 图片为AI对开发者工作满意度与薪资情况相关性的分析结果。包含相关性系数、相关性解释、可视化分析结果等内容。相关性系数为0
    图片为文档中“五、主要结论”部分内容，总结了薪资水平与工作满意度的相关性、薪资对工作满意度的影响、工作满意度受多种因素影响、企业应关注多方面改善、开发者职业规划需考虑工作内容、团队氛围等因素。其中，薪资水平与工作满意度存在极弱正相关，相关系数为0.0849；薪资水平的提高对工作满意度有积极影响，但影响程度较弱；工作满意度还受多种因素影响，如工作内容、团队氛围、职业发展机会等。该图片是对上文分析结果的总结与归纳。
    img-433 · 图片为文档中“五、主要结论”部分内容，总结了薪资水平与工作满意度的相关性、薪资对工作满意度的影响、工作满意度受多种因素影
    这张图片呈现的是用TRAE工具完成的“工作满意度与薪资关系分析报告”的部分内容，对应文档提及的薪资相关下钻分析维度。报告分为数据分析概述和不同工作满意度组的薪资统计两部分，概述部分说明有效样本占比、数据过滤规则及分析维度；薪资统计表格展示了0分至6分不同工作满意度对应的平均薪资、中位数薪资和标准差，其中8分的开发者数量占比最高，0分和1分的开发者数量较少，整体呈现大部分开发者工作满意度在7-9分之间的分布特征。
    img-434 · 这张图片呈现的是用TRAE工具完成的“工作满意度与薪资关系分析报告”的部分内容，对应文档提及的薪资相关下钻分析维度。报告
    这张图片展示了用TRAE进行单文件数据分析后的核心结果，内容为分析得出的关键发现、相关性分析及主要结论。其中明确标注了“平均薪资最高：9分工作满意度组（$101,227.80）”“平均薪资最低：4分工作满意度组（$76,106.69）”等关键数据；相关性分析部分显示皮尔逊相关系数为0.0849，属于极弱的正相关，还说明了工作满意度与薪资的关系及影响因素；最终结论指出工作满意度与薪资存在极弱正相关，9分满意度组薪资最高，4分满意度组薪资最低且分布情况较为复杂。
    img-435 · 这张图片展示了用TRAE进行单文件数据分析后的核心结果，内容为分析得出的关键发现、相关性分析及主要结论。其中明确标注了“
    图片展示的是关于Stack Overflow 2025开发者调查数据的分析总结。内容包括工作满意度与薪资的正相关关系，薪资水平提高对工作满意度有积极影响，但影响程度较小；工作满意度还受工作内容、团队氛围、职业发展机会等因素影响；企业应综合考虑薪资水平和其它方面改善；开发者选择工作时应考虑工作内容、团队氛围等影响工作满意度的因素。图片位于文档总结部分，是对上文分析结果的总结与归纳。
    img-436 · 图片展示的是关于Stack Overflow 2025开发者调查数据的分析总结。内容包括工作满意度与薪资的正相关关系，薪
  2. 原始数据里有个字段是“国家”，因为字段较多，所以 AI 在最开始的描述性统计时没有提到，但如果期望补充更多下钻分析的维度，可以直接问 AI
PLAIN TEXT
分析一下不同国家的薪资分布（看一下前10国家，按调研用户数量排序，薪资中位数，均值和25/75分位数，全部换算为美金）
图片展示了TRAE对不同国家薪资分布的分析结果。AI将所有薪资数据统一换算为美元后进行分析，列出前10个国家的薪资分布情况，包括排名、国家、调研人数、薪资中位数、薪资平均值、25%分位数和75%分位数等数据。如巴西薪资中位数为$30,000，调研人数646；乌克兰薪资中位数为$25,056，调研人数789；印度薪资中位数为$15,066，调研人数1176。该图片与上下文紧密相关，是对上文提到的“分析不同国家的薪资分布”任务的呈现。
img-437 · 图片展示了TRAE对不同国家薪资分布的分析结果。AI将所有薪资数据统一换算为美元后进行分析，列出前10个国家的薪资分布情
这张图片是单文件数据分析场景下，TRAE工具初步分析得到的按薪资中位数排名的相关数据。图片上方呈现了美国、德国、英国等10个国家的对应人数、薪资总额等数据；下方则清晰列出了按薪资中位数排名的具体结果，包含各国家的薪资中位数及对应调研人数，如美国薪资中位数150000美元、调研人数5253，加拿大薪资中位数88800美元、调研人数918等，该图片直观展示了此次数据分析中不同国家的薪资相关核心信息，对应上下文里提及的开发者薪资情况相关分析结果。
img-438 · 这张图片是单文件数据分析场景下，TRAE工具初步分析得到的按薪资中位数排名的相关数据。图片上方呈现了美国、德国、英国等1
图片展示了TRAE对单文件数据分析的初步分析结果。内容包括薪资水平情况，如美国薪资水平遥遥领先，中位数达$150,000；主要发现，如美国薪资中位数是加拿大1.7倍等；货币换算说明，将印度卢比等货币换算为美元；以及产物汇总，显示1个文件已更改，代码变更0。该图片与上下文紧密相关，是对上文提到的从官网下载数据后AI自动分析并显示初步分析结果这一内容的具体呈现。
img-439 · 图片展示了TRAE对单文件数据分析的初步分析结果。内容包括薪资水平情况，如美国薪资水平遥遥领先，中位数达$150,000
  1. 可以交叉“国家”和“开发者身份”，分析薪资分布情况
PLAIN TEXT
分析一下不同国家、不同开发者身份的薪资分布（看一下前10国家，前一下前10开发者身份，按调研用户数量排序，薪资中位数，均值和25/75分位数，全部换算为美金）
图片展示了在Stack Overflow 2025数据集分析中，创建脚本分析不同国家、不同开发者身份薪资分布情况的过程。先是通过命令行找到表示开发者类型的字段DevType，接着运行脚本“country_devtype_salary_analysis.py”，分析国家和开发者身份组合数量，生成98个组合。最后显示分析的国家数量、分析的开发者身份数量及生成的国家 - 开发者身份组合数量。该图片与上下文紧密相关，直观呈现了脚本运行及数据处理情况。
img-440 · 图片展示了在Stack Overflow 2025数据集分析中，创建脚本分析不同国家、不同开发者身份薪资分布情况的过程。
图片展示了使用TRAE对Stack Overflow 2025年数据进行单文件数据分析的详细结果。在“国家”维度下，前10个国家按调研用户数量排序，美国最多5,253人，荷兰最少619人。此外，还对前10个国家、前10个开发者身份的薪资分布进行了分析，统一换算为美元。该图片与上下文紧密相关，是对上文提到的按“国家”维度进行薪资分布分析的详细呈现，帮助用户了解不同国家的调研用户数量及薪资情况。
img-441 · 图片展示了使用TRAE对Stack Overflow 2025年数据进行单文件数据分析的详细结果。在“国家”维度下，前1
图片展示了前10个开发者身份（按调研用户数量）及主要发现。前10个身份依次为全栈开发、后端开发、软件解决方案架构师、前端开发者、桌面/企业应用开发、其他、移动开发者、嵌入式开发者、工程经理、DevOps工程师。主要发现包括美国各开发者身份薪资排名（中位数）、全栈开发者在不同国家的薪资排名，如美国薪资中位数为$137,235，加拿大为$81,400等。该图与上下文紧密相关，是对文档中“开发者身份”数据的直观呈现，帮助理解不同身份的用户数量及薪资情况。
img-442 · 图片展示了前10个开发者身份（按调研用户数量）及主要发现。前10个身份依次为全栈开发、后端开发、软件解决方案架构师、前端
图片展示了不同国家的薪资排名情况。后端开发者薪资排名中，美国最高为$175,000，加拿大$111,000等；软件架构师薪资排名中，美国最高为$182,000，英国$144,300等；工程经理薪资排名中，美国最高为$200,000，英国$127,000等。关键洞察部分指出，美国在所有开发者身份中薪资水平最高，工程经理和架构师薪资中位数超$180,000，管理岗位溢价显著。该图片与上下文紧密相关，是对文档中“后端开发者在不同国家的薪资排名”等分析内容的直观呈现。
img-443 · 图片展示了不同国家的薪资排名情况。后端开发者薪资排名中，美国最高为$175,000，加拿大$111,000等；软件架构师

生成数据分析图表

提示

数据分析常常需要结合图表，可以更加直观展示数据情况。

直接在对话框里输入指令，指令可以简单（例如“帮我画一个XX图”），也可以更细节具体，可以参考下方。

PLAIN TEXT
帮我画一个热力表，横轴是国家（按中文名称），数轴是开发者类型（简写），数值是薪资平均值
图片为不同国家和开发者类型的薪资平均值热力图，以颜色深浅表示薪资水平。横轴为国家，包括美国、德国、英国、日本、法国、加拿大、巴西、印度、墨西哥、南非等；纵轴为开发者类型，有全栈、后端、架构师、前端、桌面/企业、移动、嵌入式、工程经理、DevOps等。颜色从浅黄色到深红色，代表薪资从低到高。该图直观呈现了不同国家和开发者类型间的薪资差异，与文档中数据分析图表部分的内容相关。
img-444 · 图片为不同国家和开发者类型的薪资平均值热力图，以颜色深浅表示薪资水平。横轴为国家，包括美国、德国、英国、日本、法国、加拿
PLAIN TEXT
帮我画一个图，展示每个国家的25/75/中位数 薪资，只需要展示前10国家即可
图片展示了前10个国家的薪资分位数分布，按调研用户数量排序。横轴为薪资（美元），纵轴为国家。每个国家对应一个蓝色的长条，代表25% - 75%的薪资区间，长条内有红色菱形标注中位数，绿色正方形标注25%分位数，蓝色圆点标注75%分位数。如美国薪资区间为$10K - $200K，中位数为$72K等。该图与上文“生成数据分析图表”内容相关，直观呈现了不同国家薪资分布情况。
img-445 · 图片展示了前10个国家的薪资分位数分布，按调研用户数量排序。横轴为薪资（美元），纵轴为国家。每个国家对应一个蓝色的长条，
PLAIN TEXT
帮我画一个气泡图，横轴是薪资均值（单位是美金），数轴是每日使用过AI的占比，大小是开发者调研用户数量，展示前10国家，气泡大小适中，注意美观
界面截图
img-446 · 界面截图

数据分析结果导出

除了数据分析和画图外，我们也可以将分析结果储存为CSV 、Excel等格式方便后续阅读和处理数据，或者让其将完整报告存储为MD、PDF、 PPT 等格式方便阅读文文字内容。以csv为例，

PLAIN TEXT
帮我把每个国家的调研人数，薪资中位数，25/75分位数和均值导出为csv
图片是一张表格，展示了不同国家的调研人数、薪资中位数、薪资平均值、25%分位数、75%分位数、标准差、薪资范围（25%-75%）等数据。其中，美国调研人数最多为5,253人，薪资中位数为150,000美元；波兰调研人数最少为590人，薪资中位数为55,500美元。该表格与文档中“数据分析结果导出”部分相关，用于说明数据分析结果可导出为CSV等格式，此表格即为导出的分析结果示例。
img-447 · 图片是一张表格，展示了不同国家的调研人数、薪资中位数、薪资平均值、25%分位数、75%分位数、标准差、薪资范围（25%-

总结

以上分析只是这个数据集的一部分，还有其他分析维度例如 AI 工具使用率分析、编程语言偏好分析、工具偏好与AI使用关联性等，大家可以自行修改提示词探索。

跨文件分析场景

有时候数据分散在不同的文件，而我们需要将不同文件之间的数据对比结合起来分析，因此会有跨文件分析的场景。

数据准备

从 https://www.kaggle.com/datasets/retailrocket/ecommerce-dataset/data 下载 Retailrocket recommender system dataset 数据集；该数据集包含四个文件：一个存储用户行为数据的文件（events.csv）、两个存储商品属性数据的文件（item_properties_part1.csv和item_properties_part2.csv），以及一个描述类目层级结构的文件（category_tree.csv）；无需手动解压，可以直接把数据集保存至本地文件夹（例如 “电商推荐” ），方便后续 TRAE 进行读取。

图片展示了电脑桌面文件夹列表。左侧有“电商推荐”和“StackOverflow2025”两个文件夹，右侧显示文件夹创建时间、大小及类型等信息。其中“电商推荐”文件夹创建于今天16:03，大小为304.7 MB，类型为文件夹；“StackOverflow2025”文件夹创建于今天16:10，大小为16.9 MB，类型为文件夹。该图片与文档中数据准备部分相关，用于说明下载的Retailrocket recommender system dataset数据集保存位置。
img-448 · 图片展示了电脑桌面文件夹列表。左侧有“电商推荐”和“StackOverflow2025”两个文件夹，右侧显示文件夹创建时

选择「打开项目」，找到对应文件夹打开。

开始数据分析

  1. 直接在对话框里输入指令，指令可以简单（例如“帮我分析和总结一下这个数据集”）；可以看到三个文件里，ategory_tree.csv是商品类别树结构（1670行）；events.csv是户行为事件（276万行），主要是三类事情：浏览、加入购物车和交易；item_properties是商品属性（2000万行），包含多种属性类型
这是SOLO Coder工具的操作界面，核心为使用者输入的指令“帮我分析和总结一下这个数据集”，下方是对应的代码执行过程。界面显示用户先运行`unzip archive.zip`命令，成功解压出events.csv、item_properties.csv、item_properties.part1.csv、item_properties.part2.csv这四个数据集相关文件；接着运行`head -n 10`指令查看各文件的前10行内容，整体是该工具开展简易数据分析的实操界面，配合指令与代码实现数据集的查看分析，对应文档中“直接在对话框里输入指令分析数据集”的实操步骤。
img-449 · 这是SOLO Coder工具的操作界面，核心为使用者输入的指令“帮我分析和总结一下这个数据集”，下方是对应的代码执行过程
界面截图
img-450 · 界面截图
这张图片是用户行为事件与商品属性的数据分析内容，对应文档中跨文件分析场景下的相关内容，属于该实战指南实操环节的配套数据说明。图片展示了事件类型分布，其中浏览事件次数为2,664,312次，占比96.67%，加入购物车事件69,332次，占比2.52%，交易事件22,457次，占比0.81%，同时标注了加入购物车到交易的转化率约为32.4%，特点为包含完整用户行为链路。此外，图片还列出了合并后的item_properties属性数据结构，以及热门属性TOP10的相关统计次数，如属性888有3,000,398次使用、属性790有1,790,516次使用等内容。
img-451 · 这张图片是用户行为事件与商品属性的数据分析内容，对应文档中跨文件分析场景下的相关内容，属于该实战指南实操环节的配套数据说
图片展示了TRAE数据集特点、数据集用途、数据质量评估及分析建议等内容。数据集特点包括数据规模大、行销链路完整、商品信息丰富、类别体系完善、时维链路完整等。数据集用途涵盖推荐系统、用户行为分析、商品关联分析等6个方面。数据质量评估从数据完整性、数据一致性、数据时效性、数据准确性4个维度说明。分析建议包括用户行为序列分析、转化率优化等。该图片与文档中介绍TRAE数据集的上下文紧密相关，是对数据集的全面总结。
img-452 · 图片展示了TRAE数据集特点、数据集用途、数据质量评估及分析建议等内容。数据集特点包括数据规模大、行销链路完整、商品信息
  1. 我们可以先针对单个文件夹做一些下钻分析，例如：
    1. 下钻分析商品类别树分布，可以看到顶级类别数量为25个，最深层级为6层，层级3和层级4是最主要的层级，共占81.90%，平均每个父类别有4.54个子类别，中位数为4，表明类别结构比较均衡
    这是SOLO Coder工具的操作界面截图，展示商品类别树分布分析的过程：上方显示需求为分析category_tree.csv文件里每个父类别的子类别数量、计算平均值并查看类别分布情况，用户执行了analyze_category_distribution.py脚本完成分析；下方的类别分布分析报告包含基本统计内容，明确标注了总类别节点数为1669、父类别总数为362、平均每个父类别的子类别数为4.54、由4个字段统计得出分布情况，和文档中提及的类别分析内容相呼应。
    img-453 · 这是SOLO Coder工具的操作界面截图，展示商品类别树分布分析的过程：上方显示需求为分析category_tree.
    图片展示了商品类别树结构的分析结果。2.顶级类别分析中，顶级类别数量为25个，顶级类别ID有231等。3.类别层级分布显示，层级1（顶级）有25个类别，占比1.50%；层级2有174个类别，占比10.42%；层级3有702个类别，占比42.06%；层级4有665个类别，占比39.84%；层级5有90个类别，占比5.39%；层级6有13个类别，占比0.78%。4.子类别数量分布中，子类别数量为1的类别有44个，占比12.15%。该图与上下文紧密相关，是对商品类别树结构的详细分析。
    img-454 · 图片展示了商品类别树结构的分析结果。2.顶级类别分析中，顶级类别数量为25个，顶级类别ID有231等。3.类别层级分布显
    图片展示了商品类别树结构的分析结果。表格中列出了顶级类别数量及对应百分比，如类别1有44个，占比12.15%等。底部总结了分布特点，包括大多数父类别有1 - 4个子类别，子类别数量分布符合正态分布，极端情况最多有31个子类别。还列出了5条主要发现，如类别结构均衡、层级结构丰富、中间层级丰富、顶级类别数量合理、子类别数量适中等，这些发现是对类别结构的总结与分析。
    img-455 · 图片展示了商品类别树结构的分析结果。表格中列出了顶级类别数量及对应百分比，如类别1有44个，占比12.15%等。底部总结
    图片展示了TRAE对电商平台商品类别结构的业务建议及数据可视化结果。建议包括优化顶级类别、关注中间层级、调整不平衡父类别、增强类别导航、结合转化分析等。数据可视化结果包含父类别子类别数量分布直方图和类别层级分布饼图，分析结果已保存为category_distribution_analysis.txt文件。总结指出平台类别结构设计合理，可结合转化率分析进一步优化，以提升用户体验和商品转化率。
    img-456 · 图片展示了TRAE对电商平台商品类别结构的业务建议及数据可视化结果。建议包括优化顶级类别、关注中间层级、调整不平衡父类别
    1. 下钻分析用户行为数据，可以看到共计141万个用户和276万条记录，平均一个用户有1.96条记录；71%的用户仅1条记录，27%的用户有2-10条记录，1.4%用户有超过10条记录；从事件类型看，浏览占比96.67%，加入购物车为2.52%，购买为0.81%；浏览从加入购物车转化比例为2.60%，加入购物车到交易为32%
    这张图片展示了使用TRAE工具分析用户行为数据的实操过程，首先在对话框输入“分析用户行为数据，看下整体的浏览到购买的转化比例和一共有多少用户，每个人有几条记录”的指令，随后运行Python脚本分析数据，最终输出用户行为数据分析报告。报告的基本数据统计部分显示，总记录数为2,756,101，总用户数为1,407,580，部分内容未完全显示。该图对应的上下文是跨文件分析场景下针对用户行为数据的下钻分析环节，呈现了从指令输入到分析结果输出的完整操作步骤，直观展现了用户行为数据的核心统计指标。
    img-457 · 这张图片展示了使用TRAE工具分析用户行为数据的实操过程，首先在对话框输入“分析用户行为数据，看下整体的浏览到购买的转化
    图片展示了用户记录数分布情况。平均每个用户记录数为1.96，中位数每个用户记录数为1。2.1分布概况中，单记录用户1001560个（71.16%），2 - 10条记录用户386716个（27.47%），活跃用户（&gt;10条记录）19582个（1.39%），最多记录用户7757多。2.2详细分布以表格形式呈现，记录数从1到9对应用户数量及占比，如记录数为1的用户数量为1001560，占比71.16%。该图与上文下钻分析用户行为数据的内容相关，直观呈现了用户记录数的分布情况。
    img-458 · 图片展示了用户记录数分布情况。平均每个用户记录数为1.96，中位数每个用户记录数为1。2.1分布概况中，单记录用户100
    这张图片展示的是TRAE工具中数据分析的结果内容，涵盖事件类型分布、转化漏斗分析及用户转化相关统计数据。其中事件类型分布板块显示，浏览类事件数量达2,664,312，占比96.67%，加入购物车类事件数量为68,332，占比2.52%，交易类事件数量为22,457，占比0.81%；转化漏斗分析板块则呈现，浏览到加入购物车的转化比例为2.60%，加入购物车到交易的转化比例为32.39%，整体转化比例为0.84%；此外还包含用户转化情况的相关统计信息，与文档中跨文件分析场景里的用户行为数据下钻分析内容对应，是该部分分析的具体数据展示。
    img-459 · 这张图片展示的是TRAE工具中数据分析的结果内容，涵盖事件类型分布、转化漏斗分析及用户转化相关统计数据。其中事件类型分布
    图片为数据分析结果与业务建议总结。关键发现包括用户活跃度低、浏览到购买转化率低、加入购物车到交易转化率好、购买用户质量高、浏览事件占主导等。业务建议涵盖提升用户留存、优化转化漏斗、重点关注活跃用户、提升内容质量等方面，如优化首次访客体验、提升浏览到加购转化率、为VIP用户提供专属服务等，为后续数据分析和业务优化提供参考。
    img-460 · 图片为数据分析结果与业务建议总结。关键发现包括用户活跃度低、浏览到购买转化率低、加入购物车到交易转化率好、购买用户质量高
    图片展示的是TRAE平台对用户行为数据的分析总结。指出用户数量大但活跃度和转化率低，多数仅浏览未完成购买，建议优化留存和转化漏斗，提升浏览到加购物车转化率，同时运营和服务活跃用户。分析了数据维度、时间范围、商品信息不完整等问题，提出扩大数据维度、进行用户分群分析、A/B测试、实时数据分析、结合业务目标等后续建议。结果保存在user_behavior_analysis.txt文件中。
    img-461 · 图片展示的是TRAE平台对用户行为数据的分析总结。指出用户数量大但活跃度和转化率低，多数仅浏览未完成购买，建议优化留存和
    1. 下钻分析商品属性数据，可以看到共计2000万条属性记录，涉及40万商品，平均一个商品3个属性；除了库存（available）和类目（categoryid）这两个属性外，其他属性都被哈希；最常用的前10个属性使用占比基本都是100%
图片展示了TRAE对商品属性数据的深度分析报告。报告指出，平均每个商品属性数为28.78，中位数为27.0，最多属性的商品有59个，最少属性的商品仅12个，涉及商品总数417,053个。最常用的属性ID为764，商品使用数417,053，使用比例100.00%。该报告结论是该电商平台的商品属性丰富，平均每个商品有近29个属性，形成了较为完整的商品画像。
img-462 · 图片展示了TRAE对商品属性数据的深度分析报告。报告指出，平均每个商品属性数为28.78，中位数为27.0，最多属性的商
这张图片展示了针对商品属性数据的分析内容，对应跨文件分析场景下对item_properties商品属性数据的下钻分析环节。图片中以表格形式呈现了各属性的相关数据，包括属性编号、数值、数据总量及覆盖率，其中第1到9个属性的覆盖率均为100%，第10个属性覆盖率为99.99%。图片下方还标注了该属性数据的特点，说明前9个属性为所有商品使用，第10个属性覆盖率接近100%，这些属性是构建商品画像的核心基础，还涵盖了属性值类型分析的相关内容，和文档中对商品属性数据的分析内容相呼应。
img-463 · 这张图片展示了针对商品属性数据的分析内容，对应跨文件分析场景下对item_properties商品属性数据的下钻分析环节
图片展示了TRAE中商品属性数据的多值属性情况。有2个属性只用单一值，属性764和159，分别只被1285872个和519769个商品使用。其余7个常用属性都是多值属性，如属性ID790不同值数量为25,606，包含数值型值，常见值示例有n0.000、n8400.000等。图片还总结了属性特点，如核心属性普及、属性类型多样等，与上下文对商品属性数据的分析紧密相关。
img-464 · 图片展示了TRAE中商品属性数据的多值属性情况。有2个属性只用单一值，属性764和159，分别只被1285872个和51
图片展示的是电商平台商品属性系统分析结果。内容包括属性丰富度、核心属性明确、属性类型多样、数值型值常见、属性命名不明确等5点业务建议，以及利用核心属性、标准化数值属性、完善属性命名等6条业务建议。还总结了该电商平台商品属性系统特点，如属性丰富、核心属性明确、属性类型多样等，并指出这些特点为构建精准商品推荐系统提供数据基础。最后说明详细分析结果保存在item_properties_analysis.txt文件中。
img-465 · 图片展示的是电商平台商品属性系统分析结果。内容包括属性丰富度、核心属性明确、属性类型多样、数值型值常见、属性命名不明确等
  1. 除了单个文件下钻分析外，我们也可以交叉三个文件进行分析，例如按顶级类别看下从浏览到加入购物车到交易的转化比例：可以看到平均转化率为0.91%，3个类别（140、1224、859）转化率高于1%，11个类别转化率低于0.5%，其他介于0.5-1%；7个类目的浏览量低于1000，其中2个浏览量为0
    PLAIN TEXT
    按25个顶级类别看下从浏览到加入购物车到交易的转化比例（浏览事件粒度，不是商品或者用户粒度，如果一个商品的类别有过变化，用最新的类别）
    图片展示了25个一级类目转化漏斗分析（PV粒度），包含整体数据和各一级类目详细转化数据。整体数据中，总浏览量为2,410,035，总加购68,499，总交易21,982，浏览→加购为2.84%，加购→交易32.09%，浏览→交易0.91%。各一级类目详细转化数据中，140类目浏览PV最高，为696,282，1224类目加购量最高，为1,537，140类目交易量最高，为7,563，1224类目浏览→加购转化率最高，为4.85%。
    img-466 · 图片展示了25个一级类目转化漏斗分析（PV粒度），包含整体数据和各一级类目详细转化数据。整体数据中，总浏览量为2,410
    图片展示了按顶级类别看从浏览到加入购物车到交易的转化比例数据。表格中列出了类别编号、浏览量、加购量、交易量、浏览到加购转化率、加购到交易转化率及总转化率等信息。如类别1224，浏览量为791，加购量为34,063，交易量为305，浏览到加购转化率为4.85%，加购到交易转化率为39.24%。底部“关键洞察”部分指出，类别1224的浏览到加购转化率最高，为4.85%，加购到交易转化率也较高，为39.24%。
    img-467 · 图片展示了按顶级类别看从浏览到加入购物车到交易的转化比例数据。表格中列出了类别编号、浏览量、加购量、交易量、浏览到加购转
    图片展示了按顶级类别看从浏览到加入购物车到交易的转化比例分析结果。流量冠军类目140，浏览量696,282，交易量7,563，转化率1.09%。优秀类目转化率&gt;1.0%的有类目1224、140、1859、1698。问题类目（转化率=0或极低）包括类目1394、431、250、1579等。加购环节强的类目有类目1224、791、1859，成交环节强的类目有类目250。该图与上文交叉分析三个文件按顶级类别看转化比例的内容相呼应。
    img-468 · 图片展示了按顶级类别看从浏览到加入购物车到交易的转化比例分析结果。流量冠军类目140，浏览量696,282，交易量7,5
    图片展示了按顶级类别看从浏览到加入购物车到交易的转化比例分析结果。其中，类目250的转化率为44.12%，但加购率较少；类目1579转化率为40.00%，同样加购率较低；类目1224转化率为39.24%；类目378转化率为36.78%。图片还给出了优化建议，如学习类目1224两个转化环节最优，优化类目140流量大提升空间大，修复9个零转化类目紧急检查商品质量、价格、库存，提升类目250和1579的加购率等。该图片与上文交叉分析三个文件按顶级类别看转化比例的内容相呼应。
    img-469 · 图片展示了按顶级类别看从浏览到加入购物车到交易的转化比例分析结果。其中，类目250的转化率为44.12%，但加购率较少；

生成数据分析图表

可以直接在对话框里输入指令，例如：

PLAIN TEXT
帮我画一个图，按top 10顶级类别浏览到加入购物车，加入购物车到交易的比例，并在图表的上方，加上每个类目的浏览、加购、交易次数
图片展示的是Top 10顶级类别完整转化漏斗分析图表，标题为“Top 10顶级类别完整转化漏斗分析（浏览 - 加购 - 交易）”。图表分为上下两部分，上部分是数据详情，显示各顶级类别的浏览、加购、交易数据；下部分是转化率柱状图，以不同颜色区分浏览 - 加购、加购 - 交易、浏览 - 交易的转化率。该图表与文档中“生成数据分析图表”内容相关，直观呈现了各顶级类别的转化情况。
img-470 · 图片展示的是Top 10顶级类别完整转化漏斗分析图表，标题为“Top 10顶级类别完整转化漏斗分析（浏览 - 加购 -
PLAIN TEXT
帮我画一个气泡图，横轴浏览到加购的转化，竖轴是加购到购买的转化，大小是浏览量级，只需要画按浏览量前10个顶级类别
图片为TRAE生成的Top 10顶级类别转化分析气泡图，横轴为浏览→加购转化率（%），纵轴为浏览量（%）。气泡大小代表浏览量，颜色区分不同转化率区间。图中气泡标注了浏览量数值，如140、1490等，部分气泡还标注了浏览→加购转化率，如2.6%、3.0%等。该图与上下文介绍的TRAE生成数据分析图表内容相关，直观呈现了数据。
img-471 · 图片为TRAE生成的Top 10顶级类别转化分析气泡图，横轴为浏览→加购转化率（%），纵轴为浏览量（%）。气泡大小代表浏

数据分析结果导出

PLAIN TEXT
把以上top 10 顶级类别的气泡图导出为ppt

可以发现，TRAE 会使用 matplotlib 绘制相关气泡图，截屏然后插入ppt里面，而没有使用PPT原生画图能力。

这张图是TRAE工具生成的Top 10顶级类别转化分析气泡图，图表标题明确标注气泡大小代表浏览量，横轴为“浏览-加购转化率（%）”，纵轴为“加购转化率（%）”。图中包含多个不同大小和位置的气泡，不同气泡对应不同类别，且标注了各类别的相关数值，如带有“1435”“1525”“1502”等数字的气泡，整体是跨文件分析场景下的数据分析图表成果，贴合文档中TRAE使用matplotlib绘制气泡图的相关描述。
img-472 · 这张图是TRAE工具生成的Top 10顶级类别转化分析气泡图，图表标题明确标注气泡大小代表浏览量，横轴为“浏览-加购转化

当然你也可以通过提示词「请帮我在 PPT 里面直接画图，而不是复制图片」，TRAE 也能调用 PPT 相关能力进行构图，但画出来的图片美观度略有不足，只能达到基本要求。

图片为TRAE生成的“Top 10 顶级类别转化分析气泡图”，展示的是“浏览→加购 vs 加购→交易转化率”。横坐标为“浏览→加购转化率（%）”，纵坐标为“加购→交易转化率（%）”。图中以不同颜色的气泡表示不同类目，如类目140、1600等，气泡大小与类目ID对应。该图与上下文关系紧密，是对文档中“生成数据分析图表”部分的示例呈现，直观展示了数据间的转化关系。
img-473 · 图片为TRAE生成的“Top 10 顶级类别转化分析气泡图”，展示的是“浏览→加购 vs 加购→交易转化率”。横坐标为“

以上分析只是这个数据集的一部分，还有其他分析维度例如其他属性对购买转化比例的影响等，大家可以自行修改提示词探索。

写在最后

无论是咨询项目（例如银行压力测试、消费品市场趋势分析等），还是互联网场景下的数据任务（例如分国家用户留存分析、付费转化漏斗搭建等），基本都能通过 AI IDE 高效落地。AI IDE 在数据挖掘与深度分析环节的表现堪称出色，能精准完成核心任务；仅在最终数据可视化呈现的细节优化上，偶尔需要少量辅助调整，但其整体交付质量大多超出预期，大幅提升了数据分析的效率与专业性。

IDE 从来不是专业开发者的专属工具，它可以离每个人的工作和生活都更近一些。借助 AI 的能力，我们不必精通复杂的编程语言，也能把一个个灵感和想法变成真正可落地的“数字小帮手”；不管你是产品、运营、数据分析、设计师，还是任何一一个角色，都可以用 AI Coding 去搭建属于自己的智能工作台。

期待多样化的你带来更多不一样的 AI Coding 实现！

← PREV实战指南｜数据分析全流程实战教程