我看似是在谈编程和数据分析，但在其它需要深度思考的领域，你也不妨举一反三。
在知识星球上，星友田沐天提问：
王老师你好，在目前人工智能发展如此迅速的形势下，你之前写的数亦有道这本书还有认真学习的必要么
下面是我的答复：
我很理解你在看到 AI 编程越来越成熟之后，心里会产生「《数亦有道》或类似的 Python 数据分析书是否还值得一读？」的疑问。其实，这种疑惑非常正常，因为很多同学在面对 AI 技术的冲击时，也会有类似的担忧：AI 既然能帮忙写代码、做分析、翻译、绘图…… 那我们原先学的很多基础知识和技能，还有没有必要继续钻研？
我觉得《数亦有道》对于你做好数据分析，哪怕是 AI 辅助的数据分析，依然有帮助。
首先，AI 帮你生成代码和运行，但最后的把关还得靠你自己。
AI 并不会自动判断它编写的代码在特定场景下是否准确，也无法完全理解你所处的业务环境或研究背景。它可能写出表面上看似正确，但在逻辑或数据结构上有漏洞的代码；或者选用的库与实际需求并不匹配。换句话说，AI 可以提高编程和分析的效率，却不能替你做最终的判断。你需要能识别出代码可能潜在的问题，并在问题出现时，知道如何修正它，或思考是否要换个思路来解决。
这些能力，来自对数据分析整个流程和核心原理的了解。明白了背后的来龙去脉，你就能更好地和 AI 配合，及时发现并纠正它的失误。《数亦有道》在很多章节里对这些问题都有详细的介绍，而且写得尽量通俗易懂，尤其考虑到了「文科生」或对编程相对陌生的读者。
第二，这本书的侧重点一直是「理解原理与思路」，而不是「炫技写代码」。
因为 Python 的特点就是简单、可调用的包很多。在「前 AI 辅助」编程时代，Python 用户就经常被调侃成「调包儿侠」。而 AI 编程的出现，只是把难度进一步降低，将「最像自然语言」的编程方式，直接变成了「用自然语言」。我这本书，原本就不是为了让你死记硬背 Python 语法，而是用当时最简便灵活的方式来做数据分析。
在《数亦有道》一书中，你会看到为什么要选用某些分析方法，为什么要关注数据清洗或异常值处理，以及面对不同问题时如何评估方法的适用性。它帮助你养成一个重要的思维习惯：先理解原理，再选择工具。AI 或许能在「执行」层面帮你减少大量机械操作，但对「为什么要这样做」、「过程中可能会踩到哪些坑」以及「出错后如何改进」这些关键思考，仍然需要你自己判断。
当然了，在处理问题的具体方法上，目前有了很多改进。你可能不需要再去 stackoverflow 上发问，然后等待「高手」出现；你可以直接让 Perplexity、GPT search 等工具主动采集答案，根据你提供的报错信息给出解决方案。只不过，如果你了解原理，遇到信息不准确或解决方向不对时，你可以更快地发现问题所在，也能大大降低「人机协同」出现方向性错误的概率。对于书中提供的内容，你也要「与时俱进」地调整，别拘泥于书上的白纸黑字。印刷资料是会过时，但背后的需求和思考方式，往往有更久的生命力。
第三，目前 AI 辅助数据分析并不能完全取代人，而是帮助我们把事情做得更好、更快。
如果你在真实科研或项目环境中实践，就会对这一点体会更深。在数据分析的过程中，理解问题、制定方案，解释结果、提出改进，都需要人具备一定的知识储备和对场景的洞察力。AI 只是在「怎么实现」这一步显著提高效率，但「做什么」、「为什么做」以及「该不该做」这些方向层面的判断，仍然离不开人。你可以把数据交给它，可你得先想清楚给它哪些数据，不是吗？
所以我觉得，这本书并没有过时。自从我若干年前开始写这系列文章起，就并没要求你把精力集中在记忆代码上，因为那部分在当时便随手都能查到。关键还在于看清流程，了解背景信息，明白「为什么要这么做」，而不是一上来就生搬硬套模板。
AI 使得我们在具体编程时更加轻松，但那些关于原理、思路、以及常见问题的经验，在今天依旧能帮你掌握整个流程的重点环节，并在 AI 提供的各种方案里做出更明智的选择。说到底，学会深入思考、具备对结果的判断力，这才是我们在 AI 时代与机器协作时，依然不可或缺的核心竞争力。
愿 AI 把我们从琐碎、重复、机械的繁重劳动中解放出来，这样我们才能把自己的聪明才智更多地用在开创性的任务和环节上。
我看似是在谈编程和数据分析，但在其它需要深度思考的领域，你也不妨举一反三，把这些体会扩大到更广泛的学习和实践当中。
祝学习进步，数据分析高效、愉快！
如果你觉得本文有用，请充电。
如果本文可能对你的朋友有帮助，请转发给他们。
欢迎关注我的专栏「科研利器」，以便及时收到后续的更新内容。
点击这个链接加入少数派会员，立享 9 折优惠！获得专属会员内容、会员播客以及会员定制周边。在更多的领域和方向帮你打开脑洞，找到新的兴趣点。与少数派一起洞悉当下，探索新知。
