科研里最消耗人的 不一定是最难的理论问题 很多时候是重复劳动： 改列名、合并表格、处理缺失值、统一单位、导出结果表、把模型输出整理成论文格式。 这些事情手动做很容易出错 而且越到截稿前越乱 我现在会把数据清洗和结果表格整理交给Codex 但前提是：我先定义规则，它再写脚本执行 我的流程一般是： 1. 先描述数据来源 比如问卷、实验日志、仿真结果、爬取数据、公开数据库。不同来源的清洗逻辑不一样。 2. 明确字段含义 我会给Codex一份变量字典：列名、含义、单位、取值范围、是否允许缺失。 3. 让它先生成清洗计划 不要直接改数据。先让它列出要做哪些步骤：去重、格式转换、异常值标记、缺失值处理、变量构造。 4. 再生成可复现脚本 我尽量避免手动在Excel里改原始数据，而是让Codex写Python或R脚本，保留原始文件，输出clean版本。 5. 最后生成论文结果表 比如描述性统计表、相关系数表、回归结果表、稳健性检验表。要求它统一小数位、显著性标记和变量顺序。 我常用的一句指令是：“请不要直接覆盖原始数据，所有清洗步骤写成可复现脚本，并输出一份清洗日志。” 这句话很重要。因为科研数据处理最怕的是：你自己都忘了改过哪里。Codex能帮你自动化，但必须留下可追踪记录。 我觉得这类任务非常适合交给Codex，因为它们规则明确、重复性强、检查标准清楚。人最该花时间的地方，是决定哪些缺失值可以删、异常值如何解释、结果表要服务于哪一个假设。 #学术松弛感 #论文写作 #提升生产力 #程序员职业生活大赏 #个人开发者 #转码 #没想到你是这样的程序员 #高效生产力 #工作不饱和 #打工人效率神器 #女博日常 #Codex #博士生日常 #工作效率大大提高 #程序员 #提高工作效率的方法 #效率神器 #效率 #远程工作 #效率是第一生产力