「AI廣告成效分析與視覺化」詳解 - 逢甲行銷周老師教學網站

本案例將帶我們進入一個更進階的應用：如何讓 AI 扮演「數據分析師」的角色，對整個結構化資料集進行宏觀分析，並將其洞察與傳統的資料視覺化圖表相結合。

1. 環境設定：中文字型

核心概念： matplotlib 或 seaborn 套件預設並未包含中文字型，若直接繪圖，圖表中的中文（如標題、座標軸標籤）將會顯示為無法辨識的方塊亂碼(暱稱為豆腐)。因此，繪製中文圖表前的第一步，就是手動安裝並設定字型。

本案例應用重點：

!wget ...: 我們在 Colab 中使用 wget 這個指令，從網路上下載一個開源的思源黑體字型檔 (.otf 檔)，並將其存放在系統的字型路徑中。
import matplotlib.font_manager as fm: 引入字型管理器，用來讀取我們剛下載的字型檔。
plt.rcParams['font.family'] = ...: 這是最關鍵的一步，透過 rcParams (runtime configuration parameters) 這個設定，我們明確地告知 matplotlib：「接下來所有的圖表，請一律使用我們剛剛指定的那個中文字型來繪製。」

2. 取得 Gemini API Key

核心概念： 安全地使用 Gemini API Key

本案例應用重點：

userdata: 這是 Google Colab 內建的一個特殊功能，您可以將它想像成一個安全的密碼保險箱。使用者可以預先在 Colab 介面左側的「金鑰」(鑰匙圖示) 中，新增並儲存敏感資訊（例如 API 金鑰），並為它取一個名字。
.get('GEMINI_API_KEY'): 這行程式碼的動作就是，去那個 userdata 保險箱裡，找出一個名叫 'GEMINI_API_KEY' 的密鑰，然後把它的值（也就是那一長串的 API 金鑰字串）拿出來。
api_key = ...: 最後，將從保險箱中取出的金鑰字串，存放到一個名為 api_key 的變數中，以供後續使用。

3. 載入數據

files.upload(): 執行這行程式碼時，Colab 會在您的瀏覽器中跳出一個檔案上傳的對話視窗，讓您可以從本機電腦選擇要上傳的檔案
uploaded = ...: 當您選擇檔案並完成上傳後，files.upload() 會回傳一個 Python 字典 (dictionary)，裡面包含了您上傳的檔案資訊（檔名作為 key，檔案內容作為 value）。這個字典會被存放在 uploaded 這個變數中。
try: ... except Exception as e: ...：這是一個錯誤處理的結構。
- try:: 程式會嘗試執行 try 區塊內的所有程式碼。
- except Exception as e:: 如果在 try 的過程中，發生任何錯誤（例如，上傳的檔案不是 CSV 格式、檔案已損毀等），程式不會因此崩潰，而是會跳到 except 區塊，執行裡面的程式碼來處理這個例外狀況。
file_name = next(iter(uploaded))：因為 uploaded 是一個字典，我們需要從中取出檔名。
- iter(uploaded) 會建立一個字典鍵（也就是檔名）的迭代器。
- next(...) 則會從這個迭代器中取出第一個項目。由於我們一次只上傳一個檔案，所以這樣就能成功取得該檔案的檔名。

如果使用本地端的編輯器執行Python腳本（例如Spyder,VSCode），只要設定好工作目錄，就可以直接使用pandas read_csv() 方法載入數據集。upload()是用在當你使用colab環境時。

4. Pandas – 資料的載入與格式轉換

核心概念： 使用 pandas 來讀取資料。並將表格轉換成字串，「整個」傳到AI進行分析

本案例應用重點：

pd.read_csv(): 從上傳的 CSV 檔案中讀取資料，並將其載入為一個 DataFrame。
df.head() / display(df): 快速預覽資料表的前幾筆內容，檢查資料是否正確讀取。
df.to_string() : 這是 DataFrame 物件內建的一個方法。它的主要功能是將整個表格——包含索引 (index)、欄位名稱 (columns) 和所有儲存格的內容——完整地轉換成一個單一的、格式化好的文字字串。轉換後的結果，會非常類似於您在程式碼中直接 print(df) 所看到的排版樣式。

你也可以參考「Python資料處理 (Data Processing)」”pandas篇”

5. Google Gemini API – 分析整個 DataFrame

核心概念： 與先前逐筆分析不同，這次我們將整個 DataFrame（經過df.to_string() 轉換過）的內容一次性傳送給 AI，要求它提供全面的商業洞察與建議。

本案例應用重點：

f-string: 我們再次使用 f-string (f"...")，將我們的分析指令 (prompt) 與前面產生的 data_string 字串結合，構成一個完整的請求。
GenerationConfig: 同樣地，我們透過 response_mime_type="application/json" 來強制要求 AI 回傳結構化的 JSON 結果，確保回傳的內容（如預算分配比例）可以被程式直接使用。
model.generate_content(): 呼叫此函式，將包含整個表格數據的長提示詞(prompt)發送給 Gemini 模型。

6. JSON 與字典 – 解析 AI 的結構化洞察

核心概念： AI 回傳的分析結果是一個包含多層資訊的 JSON。我們需要學會如何從中提取出我們需要的特定數據。

本案例應用重點：

json.loads(): 將 AI 回傳的 JSON 文字字串，轉換為 Python 的字典物件。
巢狀存取: 學習如何從多層的字典中，依序取出需要的資訊。例如，透過 analysis_result['insights'] 來取得 AI 建議的數據洞察，為後續的列印做準備。或是透過 analysis_result['budget_allocation'] 來取得預算分配，為後的續繪圖做準備，‘

你也可以參考「Python網路爬蟲 (Web Crawler)」”使用 API (JSON)”

7. Matplotlib – 建立多圖表儀表板

核心概念： 為了呈現豐富的分析結果，我們經常需要在同一張畫布上並列多張不同的圖表，形成一個小型儀表板。

本案例應用重點：

plt.figure(figsize=(12, 5)): 這行指令就像是在說：「請幫我準備一張全新的、空白的大畫布」，寬度為 12 英吋，高度為 5 英吋
plt.subplot(1,2,1): 這個函式的作用是在剛剛建立的大畫布上，建立並選定一個子區域（子圖）來進行繪圖。它接收三個數字作為參數：
- 第一個數字 (1): 代表要將畫布垂直切成 1 列。
- 第二個數字 (2): 代表要將畫布水平切成 2 欄。
- 第三個數字 (1): 代表現在要啟用第 1 個子區域。編號順序是由左至右，再由上至下。
在指定子圖上繪圖: 我們在左邊的子圖上繪製長條圖，並在右邊的子圖上繪製圓餅圖。
- conversion_by_channel: 這是一個 pandas 的資料結構（通常是 Series），裡面已經計算好了各個管道（如 Facebook, Google, Instagram）的總轉換數。
  - .plot(): 這是 pandas DataFrame 或 Series 物件內建的繪圖方法。kind='bar': 指定要繪製的圖表種類為「長條圖」(bar chart)。
  - color=[...]: 設定每一根長條的顏色。這裡的三個色碼分別對應了 Facebook 的藍色、Google 的紅色以及 Instagram 的紫紅色，讓圖表更具品牌識別度。
- plt.pie(): 這是 matplotlib 中用來繪製圓餅圖的專用函式。
  - percentages: 這是主要的資料，一個包含各管道百分比的列表（例如 [40, 35, 25]）。圓餅圖會根據這些數值的比例來決定每個扇形的大小。
  - labels=channels: 為每一個扇形加上標籤，channels 是一個包含各管道名稱的列表（例如 ['Facebook', 'Google', 'Instagram']）。
  - autopct='%1.1f%%': auto percent 的縮寫，這是用來設定顯示在扇形上的百分比格式。%1.1f%% 的意思是「顯示到小數點後一位的浮點數，並在後面加上 % 符號」。
  - startangle=90: 設定圓餅圖的起始角度。預設是從 0 度（水平向右）開始畫第一個扇形，設定為 90 度則會讓它從 90 度（垂直向上）的位置開始，視覺上更整齊。
  - colors=[...]: 同樣地，為每一個扇形設定指定的顏色。
- plt.tight_layout(): 在繪製完所有子圖後，呼叫此函式可以自動調整間距，避免圖表標題或標籤互相重疊。

你也可以參考「Python資料視覺化 (Data Visualization)」”長條圖＆圓餅圖”、”matplotlib”

總結來說，這個案例的學習路徑是：

讀取資料 -> 傳送給 AI 分析 -> 解析回傳的 JSON 洞察 -> 使用 subplots 建立畫布 -> 分別繪製長條圖與圓餅圖 -> 呈現整合報告。