資料結構的黃金原則：讓你的資料天生好用

你有過這種經驗嗎？

明明請 AI 寫好了 Google 試算表公式，語法檢查完全正確，貼進去後卻得到冷冰冰的錯誤訊息。你反覆檢查了十次，資料明明就在那裡，但試算表就像跟你隔了一道牆，怎麼也抓不到。

其實，問題通常不在你的技術，而在資料的「長相」。

AI 產出的公式通常有個前提：它假設你的資料是「整潔」的（每一列是一筆記錄、每一欄是一個特徵）。如果資料結構不符合這個默契，再強大的公式或 AI，也難以發揮實力。

這就像請大廚來家裡外燴，結果發現食材全混在一起：砂糖跟鹽巴裝在同一個袋子、生肉直接壓在水果上。這不是廚師手藝不好，而是食材的「存放方式」讓他沒辦法開工。

在進入複雜函式之前，我們得先建立一個核心觀念，也就是數據界通用的：「Tidy Data」（整潔資料原則）。

什麼是 Tidy Data？

原則一：一列（Row）就是一個完整故事

想像每一列都是一個獨立的事件。

為什麼？

試算表在運算時，習慣「逐列」掃描。如果一筆資料跨了兩列，它會以為這是兩個不相關的故事，導致統計結果跟著「失真」。

• 常見陷阱：資訊拆兩層

  這在人眼看來很省空間，但對試算表來說卻像是在玩解謎。你沒辦法輕鬆篩選出「金額 > 30,000 的訂單」，因為金額那一列根本沒有訂單編號。

• 更適合的做法

  一列到底：與其把上衣、褲子、領帶分開放在不同的抽屜（跨列），不如把它們配成一整套放在同一個格位裡。這樣無論你想按「客戶」還是「金額」來排序，資料都不會走鐘。

原則二：一欄（Column） 只講一個特徵

每一欄應該只代表一個維度。如果你發現一欄裡面塞了兩種以上的資訊，分析時你就得先玩辛苦的「文字拆拆樂」。我們通常稱這個拆分的單位叫做「粒度（或顆粒度，Granularity）」。

• 舉例：地址

如果地址全都塞在一起，當老闆問你「信義區有多少客戶？」時，你得寫一串複雜的公式去切開文字。

• 建議做法：把特徵抽出來

  試著把地址內的資訊拆開，分成城市、區域、街道地址。

怎麼判斷要拆多細？問自己一個簡單的問題：

「我之後會需要單獨針對這個資訊進行過濾或統計嗎？」

如果答案是肯定的，就請大方地給它獨立的一欄。

原則三：標題列是整份表的導航

第一列（標題列，Header）是試算表的靈魂，也是 AI 判斷資料意義最重要的依據。

讓導航保持清晰的三個小秘訣：

1. 命名要直覺：「當月銷售總額」絕對比「欄位 A」更容易讓 AI 理解。

2. 避免重複：不要出現兩個「金額」欄位，以免試算表搞不清楚誰是誰。

3. 堅持「單層標題」：盡量避免合併第一列寫「第一季」，第二列才寫「1月/2月」。這種多層結構雖然美觀，但會讓樞紐分析功能非常吃力。

「看起來很漂亮」

在追求報表美學時，我們常不小心掉進這兩個陷阱：

1. 合併儲存格

合併儲存格是「給人看」的藝術，但在「存資料」的分頁裡，它是運算的阻礙。合併後，除了左上角那一格，其他格子其實都是「空的」。排序時，這些隱形的空位會讓你的資料瞬間移位。

原始資料層請保持「素顏」（不合併）。想要漂亮的排版，我們留到最終呈現的「報表層」再處理。

（原始資料層、報表層是什麼？延伸閱讀：三層架構設計思維（上）：為什麼你的試算表需要分層）

2. 隨意的空白列

有些人習慣用空白列來分組，覺得視覺上比較清爽。但這就像在行駛中的軌道上抽掉幾根枕木，當你使用快捷鍵（如 Ctrl + A）或自動過濾時，試算表會以為資料到空白處就結束了。

為什麼在 AI 時代，結構比以前更重要？

因為你現在有了 AI 隊友。

你可能會想：「現在 AI 很聰明，我丟截圖過去，它不是也看懂我的合併儲存格嗎？」

確實，AI 的視覺辨識很強，但堅持 Tidy Data 有兩個無法取代的好處：

• 公式更強健、好維護：如果資料亂，AI 為了遷就排版，會被迫寫出一個極其複雜、像補丁一樣的公式。這種公式雖然當下能動，但未來你只要多插一列或改個位置，它就會報錯。結構越乾淨，AI 給你的解答就越簡潔、越不容易壞。

• 突破大量資料的限制：截圖只能拍到螢幕看到的幾十列。當你有上萬行資料時，AI 沒辦法透過視覺幫你處理「整份」檔案。但如果你告訴它：「我的資料標題在第一列，A 欄是編號、B 欄是日期」，它就能針對整份資料提供精確的邏輯建議。

重點整理

1. 一列一筆記錄：不跨行、不留白，確保每一筆資料的完整性。
2. 一欄一個維度：需要統計的關鍵特徵，請獨立設欄。
3. 先結構，後美化：資料是用來運算的，美觀的排版建議放在最後一層。
4. 對 AI 友善，就是對自己友善：標準的結構能大幅提升 AI 輔助開發的準確率。