企业官网建设流程全解析

Data Science for Beginners 第20课实战：用 Planetary Computer 数据集完成可持续性数据分析与可视化任务

【免费下载链接】Data-Science-For-Beginners10 Weeks, 20 Lessons, Data Science for All!项目地址: https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners

本文基于课程Data-Science-For-Beginners第20课（Data Science in the Real World）的芬兰语配套作业 assignment.md，讲解本课程压轴实战的完整流程：借助 Planetary Computer 的 Explorer 免登录界面选取地球科学数据集、构造预置查询并渲染可视化，随后围绕数据集特征、可视化洞见、可持续性影响、局限性与替代可视化方案回答五个核心问题。读完本文，你将能够独立完成一次"从选数据、到查询、到渲染、再到批判性分析"的完整数据可视化工作流，并按三级评分标准自评作业质量，还能通过 Launch Hub 进入 Notebook 对原始数据做交互式二次分析。

任务背景：这是课程收官之作的"真实世界"实战

在第20课中，我们梳理了数据科学在各类真实场景中的应用，并深入研究了与科研、可持续性（sustainability）和数字人文相关的示例。本课作业要求你更深入地探索其中一个示例，并把此前学到的数据可视化与数据分析知识付诸实践，从而从可持续性相关的数据中获得洞见（原文档导语）。

结合第20课的课程正文 README.md 可以补充理解本作业的上下文：

• 课程的可持续性板块以联合国《2030可持续发展议程》为背景，其中包含"保护地球"免受退化和气候变化影响等目标。
• Planetary Computer 正是为这一领域设计的平台：它提供 petabyte 级的地球系统数据（Earth Systems data）及对应的 API 接口，数据由 Azure 托管且免费开放。
• 课程原文还指出（截至 2021 年 9 月）该项目处于 preview 阶段——因此本作业特意设计了"免账号即可完成的 Explorer 主流程 + 需申请账号的 Bonus 进阶流程"两条路径，保证任何学习者都能完成核心部分。

本作业在整个课程中的位置：它是第20课"Data Science in the Real World"中"Tehtävä（作业）"一节的正式任务入口，课程 README 末尾通过 Explore A Planetary Computer Dataset 链接指回英文原版作业，芬兰语版即本文所依据的 assignment.md。

平台简介：Planetary Computer 的四个组成组件

作业指定的平台是 Planetary Computer 项目。按课程正文的说明，该项目面向数据科学家和开发者提供四个组件，分别对应本作业的不同使用阶段：

平台提供两条访问路径，对应作业的主流程与加分流程：

1. Explorer（免账号）：浏览器端界面，可直接选数据集、选查询、选渲染方式，是主流程的唯一必需工具；
2. 账号 + Launch Hub（需申请）：向平台申请账号并在获批后登录，可把原始数据在 Notebook 中打开做交互式分析，这是 Bonus 阶段的入口。

操作步骤（Steps）：Explorer 主流程详解

原文档给出的操作路径如下，共三步：

界面说明：Explorer 界面（见下方截图）让你可以从提供的选项中选择数据集（dataset）、预置查询（preset query，用于过滤数据）和渲染选项（rendering option，用于生成相关可视化）。

1. 阅读 Explorer 文档—— 理解各选项的含义。 目的：搞清楚界面里"数据集 / 查询 / 渲染"三类控件分别控制什么，避免在后续步骤中凭猜测操作。
2. 浏览数据集目录（Catalog）—— 弄清每个数据集的用途。 目的：在动手之前建立"哪些数据集存在、各自解决什么可持续性问题"的全局认知，为第 3 步的挑选提供依据。
3. 使用 Explorer—— 选一个你感兴趣的数据集，选择一个相关查询和一个渲染选项，生成可视化。 目的：产出本作业的分析对象——一个渲染在浏览器中的可视化。

操作要点提示（结合课程正文与作业要求）：

• "相关查询"要与你选的数据集匹配——查询的作用是把数据按时间或空间维度过滤，选错查询会导致渲染结果与你的问题无关；
• "渲染选项"决定的是如何呈现数据，它直接决定你能从可视化中得到什么洞见，也会影响后续"局限性"问题的答案；
• 选数据集时优先挑与可持续性目标（如气候变化、森林砍伐等，课程正文点名了这两个方向）相关的主题，这样后续五个问题中关于"对可持续性目标的影响"才容易落到实处。

核心任务（Your Task）：五个必答问题的逐条解读

在浏览器中得到渲染结果后，作业要求你研究该可视化并回答以下五个问题（原文档Your Task部分逐条列出）。这五个问题实际上覆盖了"描述 → 解释 → 应用 → 批判 → 改进"的完整分析链条：

1. Whatfeaturesdoes the dataset have?（数据集具有哪些特征？）考察的是对数据"结构面"的理解：数据包含哪些变量/图层、空间范围、时间跨度、分辨率等。这是前四问的基础。
2. Whatinsightsor results does the visualization provide?（可视化提供了哪些洞见或结果？）考察的是从渲染结果中读出趋势、异常或模式的能力——对应课程第9至12课（数量、分布、比例、关系四类可视化）的读数训练。
3. What are theimplicationsof those insights to the sustainability goals of the project?（这些洞见对该项目的可持续性目标有何影响/含义？）把技术发现翻译回业务语言：你的读数如何支撑"保护地球"类的目标？这是本课程强调的"数据服务于决策"的落地环节。
4. What are thelimitationsof the visualization (i.e., what insight did you not get?)（该可视化有什么局限性，即你没能获得什么洞见？）刻意训练批判性思维：任何单一视图都会丢失信息，要求你明确指出"缺了什么"，而不是笼统说"数据不够多"。
5. If you could get the raw data, whatalternative visualizationswould you create, and why?（如果能拿到原始数据，你会做哪些替代可视化，为什么？）这是从"看别人渲染的结果"走向"自己设计方案"的关键一步，也是 Bonus 阶段动手实现的蓝本。

加分阶段（Bonus Points）：用 Launch Hub 在 Notebook 中做原始数据分析

加分流程的原文要求分三步：

1. 申请账号并在获批后登录——这是进入受管环境（Hub）的前提；
2. 使用 Launch Hub 选项把原始数据在 Notebook 中打开，交互式地探索数据，并把你前面设想的替代可视化真正实现出来；
3. 分析你自己做的可视化——检查是否获得了先前（在 Explorer 里）缺失的那些洞见。

从作业结构看，Bonus 阶段与主流程构成闭环：第 4、5 问中"没得到的洞见"和"设想的替代可视化"，在这里变成可执行的 Notebook 实验；而第 3 步"重新分析自己的可视化"则验证了改进方案是否有效。若账号申请未通过，完成主流程的五问作答即满足核心要求，不受影响。

评分标准（Arviointikriteerit / Rubric）

原文档给出的三级评分表如下（原文档表格的表头分隔符多了一个，此处按三列语义修正）：

自评建议：交作业前对照"优秀"一栏逐条核对——五个问题是否都有实质内容；第 2 问与第 5 问之间是否形成呼应（你看到的洞见是否催生了具体的替代可视化设想）；对可持续性目标的讨论是否落到了具体目标而非泛泛而谈。

作业边界说明

• 本作业文档为芬兰语 AI 自动翻译版，文末附有免责声明：该文档使用基于 AI 的翻译服务生成，自动翻译可能包含错误或不准确之处；应以原文语言（英文版作业 assignment.md）为准；关键信息建议使用专业人工翻译。
• 主流程仅需浏览器访问 Explorer，无需任何账号；仅 Bonus 阶段需要申请账号并等待审批。
• 课程正文中提到项目处于 preview 状态（2021 年 9 月），实际功能与入口可能随时间演进，操作时以平台当前界面为准。

小结

本作业是Data-Science-For-Beginners20 课旅程的收官实战：以 Planetary Computer 的真实地球科学数据为对象，完整走一遍"选数据集 → 构造时空查询 → 渲染可视化 → 回答五个分析问题 → （可选）用 Launch Hub 在 Notebook 中做原始数据实验"的工作流。它把课程第 9 至 13 课的可视化方法论、第 14 至 16 课的数据科学生命周期与沟通要求，以及第 20 课的可持续性应用场景压缩进了一个可独立完成、可自评分级的真实任务中。

【免费下载链接】Data-Science-For-Beginners10 Weeks, 20 Lessons, Data Science for All!项目地址: https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners