1. 描述任务
您有数据，想在开始工作之前先看看其中有什么。问问 Claude，图表就会返回，并附带对突出之处的解读——从那里开始，您们一起深入探讨。
这里，一位研究人员在委员会会议之前拿到了关于学习习惯和 GPA 的调查数据。Claude 构建了一个可点击的矩阵，按需打开散点图，并标记出两个值得进一步关注的发现。
给我看看这些数据在说明什么。我想找出其中最强的关联关系。你能给我一个相关性矩阵，并让我点击任意一对变量查看散点图吗？标记出任何让你感到意外的地方。不要在可读性上打折扣；我要把这个展示给一个委员会。
2. 为 Claude 提供上下文
CSV 文件就是上下文。提示中的两句话塑造了返回的内容："标记出任何让你感到意外的地方"要求 Claude 在图表之外附带一个解读，而指明受众（"给一个委员会"）则决定了标签可以假设多少背景知识。
必需的上下文
上传 CSV 文件。
3. Claude 创建的内容
Claude 构建了网格，然后指出了突出之处。可点击的矩阵展示了每一对变量；在其下方，Claude 标记出哪些单元格与预期的情况相悖。这些标记值得核实——一个引人注目的单元格可能是真实的，也可能是一个混杂因素，或者只是这个样本的一个特例，而图表会让这三种情况看起来一样。下面的后续提问就是帮您弄清楚究竟是哪一种的方法。
4. 后续提问
继续与 Claude 对话，以完善、扩展或进一步探索。
点击可视化内容以深入研究某一部分
点击矩阵中的任意单元格，Claude 会在下方为该对变量打开一个散点图——网格保持不变，细节在下方展开。您可以要求 Claude 按第三个变量拆分该散点图，看看这种关系是否依然成立。
按学习时长拆分出勤率与 GPA 的关系。对于学习时间处于前四分之一的学生，出勤率是否仍能预测 GPA？
让 Claude 写出图表所展示的内容
Claude 根据图表所展示的内容撰写报告段落——包括哪些地方应该留有余地——然后您在此基础上进行编辑。
根据图表所展示的内容，为我的报告写一段关于出勤率和 GPA 的文字。标出我应该在哪些地方留有余地。
让 Claude 把图表变成一个小测验
Claude 从矩阵中挑选单元格，您说出您会得出什么结论，它会在委员会发现之前先帮您抓出过度解读的地方。
就这个矩阵考考我。给我看几个单元格，问我会得出什么结论——如果我把混杂因素误读成因果关系，帮我抓出来。
5. 技巧、提示与故障排除
提示的措辞方式会影响您得到的结果
加上"标记出任何让你感到意外的地方"这句话，您会在图表之外获得解读——哪些单元格值得关注，哪些与预期情况相悖。如果没有这句话，您只会得到矩阵，解读工作要自己来做。这适用于任何您即将要写的数据：报告前的结果、状态文档前导出的分析数据。
用您自己的理解来核对可视化内容
Claude 标记出的模式只是一个起点。一个引人注目的单元格可能是真实的，也可能是一个混杂因素，或者只是样本的一个特例——图表会让这三种情况看起来一样。后续提问正是帮您弄清楚究竟是哪一种的方法，而最终判断是否成立的，是您自己。
接下来如何处理这个可视化内容
将鼠标悬停以查看选项：复制为图片用于幻灯片，或者如果您想要一个可以与协作者分享的交互式内容，选择"保存为 Artifact"。或者让 Claude 根据图表所展示的内容撰写报告段落——那正是您要带给委员会的内容。
6. 准备好自己试试了吗？
在您一直想研究的数据集上试试——上传 CSV 文件，问问其中有什么，让第一张图表告诉您该从哪里深入挖掘。可在 claude.ai 的网页版或桌面版使用。