手把手教你：CodeBuddy数据关联分析

CodeBuddy能自动识别字段语义、推断表间关系并生成关联分析代码：先导入文件并执行Schema分析，再通过自然语言提问或可视化探查发现关联字段，最后生成Python Pandas代码完成JOIN与统计导出。

你想快速搞清多个数据文件之间隐藏的业务关联，比如销售订单表和客户信息表如何匹配、物流单号在哪个日志里被标记为异常——CodeBuddy能基于自然语言描述自动识别字段语义、推断表间关系并生成可执行的关联分析代码，不用你手动写JOIN或翻文档查主键。

让CodeBuddy理解你的数据结构

打开CodeBuddy IDE，确保左侧资源管理器中已显示你要分析的Excel/CSV文件（如sales_orders.csv、customers.xlsx）；若未显示，点击左上角“File → Add Folder”将整个数据目录拖入工作区。

在编辑器中任意打开一个数据文件，光标停在首行表头区域；按下Ctrl+Shift+P（Windows/Linux）或Cmd+Shift+P（macOS），输入“CodeBuddy: Analyze Data Schema”，回车执行。

这一步必须等右下角状态栏出现“Schema inferred successfully”提示才表示完成；如果卡在“Loading…”超10秒，说明文件过大或含非法字符，需先用Excel另存为UTF-8 CSV格式再重试。

自动发现表间关联字段

方法一：自然语言提问法

在底部聊天框切换到Ask模式，输入：“sales_orders.csv里的customer_id字段，和customers.xlsx里的哪个字段最可能构成外键关系？请列出匹配度评分和依据。”

方法二：可视化探查法

执行完Schema分析后，右键点击sales_orders.csv → 选择“Show Data Relationships”；面板自动列出所有候选关联字段对，点击“customer_id”节点，右侧实时高亮customers.xlsx中name、email、id三列的语义相似度（用颜色深浅表示），【优先选ID列而非Name列，因Name存在重复和拼写变体风险】。

生成并运行关联分析代码

第一步：明确分析目标

在Ask模式下输入：“把sales_orders.csv和customers.xlsx按customer_id=id关联，统计每个客户的订单总数、平均金额，并导出为result.xlsx。”

第二步：确认执行环境

CodeBuddy默认生成Python Pandas代码，检查右上角运行环境是否为“Python 3.9+”；若显示“Node.js”或空白，点击该区域→选择“Python”→重启内核。

第三步：执行与验证

点击生成代码块右上角的▶️按钮；成功后自动在输出区显示前5行结果表格，并在项目根目录生成result.xlsx文件。若报错“KeyError: 'customer_id'”，说明sales_orders.csv实际表头是“CUST_ID”或“cust_id”，需返回第一步重新运行Schema分析并勾选“Case-insensitive matching”。