diff --git a/homework/m1_numpy.py b/homework/m1_numpy.py
index 5ff41ab..1d954ac 100644
--- a/homework/m1_numpy.py
+++ b/homework/m1_numpy.py
@@ -1,80 +1,75 @@
-"""
-M1 NumPy 向量化思維 — 課後作業
-================================
-請完成以下每個函式，用 NumPy 向量化寫法（不要 for-loop）。
-完成後 git push，GitHub Actions 會自動批改並顯示成績與解答。
-
-提示：
-- np.array, np.where, np.argsort
-- 布林遮罩: arr[arr > 10]
-- 統計: .sum(), .mean(), .max(), .min()
-"""
-import numpy as np
-
-
-# ============================================================
-# 🟢 送分題（每題 10 分，共 30 分）
-# ============================================================
-
-def green_mean():
-    """建立 [10, 20, 30, 40, 50]，回傳所有元素的平均值 (float)"""
-    # TODO: 你的程式碼
-    pass
-
-
-def green_double():
-    """建立 [10, 20, 30, 40, 50]，回傳所有元素乘以 2 的 ndarray"""
-    # TODO: 你的程式碼
-    pass
-
-
-def green_filter():
-    """建立 [10, 20, 30, 40, 50]，回傳大於 25 的元素 (ndarray)"""
-    # TODO: 你的程式碼
-    pass
-
-
-# ============================================================
-# 🟡 核心題（每題 15 分，共 45 分）
-# 以下函式會接收從 products.csv 讀出的 prices, stocks 陣列
-# ============================================================
-
-def yellow_expensive_count(prices):
-    """回傳單價 > 1000 的商品數量 (int)"""
-    # TODO: 你的程式碼
-    pass
-
-
-def yellow_top3_stock_indices(stocks):
-    """
-    回傳庫存最多的前 3 個商品的索引位置 (ndarray, 由大到小排)
-    提示：np.argsort
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def yellow_restock_cost(prices, stocks):
-    """
-    單價 < 500 的商品，每種各進貨 50 個，回傳總花費 (float/int)
-    提示：布林遮罩 + .sum()
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-# ============================================================
-# 🔴 挑戰題（25 分）
-# ============================================================
-
-def red_double11_prices(prices, stocks):
-    """
-    雙 11 定價規則（必須向量化，不能用 for-loop）：
-    - 庫存 >= 100：打 7 折
-    - 庫存 20~99：打 9 折
-    - 庫存 < 20：原價
-    回傳每個商品的雙 11 售價 (ndarray)
-    提示：np.where 可以巢狀使用
-    """
-    # TODO: 你的程式碼
-    pass
+"""
+M1 NumPy 向量化思維 — 課後作業
+================================
+請完成以下每個函式，用 NumPy 向量化寫法（不要 for-loop）。
+完成後 git push，GitHub Actions 會自動批改並顯示成績與解答。
+
+提示：
+- np.array, np.where, np.argsort
+- 布林遮罩: arr[arr > 10]
+- 統計: .sum(), .mean(), .max(), .min()
+"""
+import numpy as np
+
+
+# ============================================================
+# 🟢 送分題（每題 10 分，共 30 分）
+# ============================================================
+
+def green_mean():
+    """建立 [10, 20, 30, 40, 50]，回傳所有元素的平均值 (float)"""
+    arr = np.array([10, 20, 30, 40, 50])
+    return arr.mean()
+    
+
+
+def green_double():
+    """建立 [10, 20, 30, 40, 50]，回傳所有元素乘以 2 的 ndarray"""
+    arr = np.array([10, 20, 30, 40, 50])
+    return arr*2
+
+def green_filter():
+    """建立 [10, 20, 30, 40, 50]，回傳大於 25 的元素 (ndarray)"""
+    arr = np.array([10, 20, 30, 40, 50])
+    return arr[arr > 25]
+
+
+# ============================================================
+# 🟡 核心題（每題 15 分，共 45 分）
+# 以下函式會接收從 products.csv 讀出的 prices, stocks 陣列
+# ============================================================
+
+def yellow_expensive_count(prices):
+    """回傳單價 > 1000 的商品數量 (int)"""
+    return (prices > 1000).sum
+
+
+def yellow_top3_stock_indices(stocks):
+    """
+    回傳庫存最多的前 3 個商品的索引位置 (ndarray, 由大到小排)
+    提示：np.argsort
+    """
+    return np.argsort(stocks)[-3:][::-1]
+
+
+def yellow_restock_cost(prices, stocks):
+    """
+    單價 < 500 的商品，每種各進貨 50 個，回傳總花費 (float/int)
+    提示：布林遮罩 + .sum()
+    """
+    return (prices[prices < 500] * 50).sum()
+
+# ============================================================
+# 🔴 挑戰題（25 分）
+# ============================================================
+
+def red_double11_prices(prices, stocks):
+    """
+    雙 11 定價規則（必須向量化，不能用 for-loop）：
+    - 庫存 >= 100：打 7 折
+    - 庫存 20~99：打 9 折
+    - 庫存 < 20：原價
+    回傳每個商品的雙 11 售價 (ndarray)
+    提示：np.where 可以巢狀使用
+    """
+    return np.where(stocks >= 100, prices * 0.7, np.where(stocks >= 20, prices * 0.9, prices))
diff --git a/homework/m2_pandas_cleaning.py b/homework/m2_pandas_cleaning.py
index fa36bff..6a6007b 100644
--- a/homework/m2_pandas_cleaning.py
+++ b/homework/m2_pandas_cleaning.py
@@ -1,96 +1,111 @@
-"""
-M2 Pandas I/O 與資料清理 — 課後作業
-====================================
-情境：你拿到一份「故意弄髒」的訂單 CSV (orders_raw.csv)，
-裡面有欄位名稱空格、金額帶 $ 符號、日期格式錯誤、缺值、重複列。
-請用 Pandas 把它清乾淨。
-
-資料路徑：datasets/ecommerce/orders_raw.csv
-"""
-import pandas as pd
-
-
-# ============================================================
-# 🟢 送分題（每題 10 分，共 30 分）
-# ============================================================
-
-def green_read_csv():
-    """
-    讀取 orders_raw.csv，回傳原始 DataFrame（不做任何清理）
-    提示：pd.read_csv()
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def green_shape(df):
-    """
-    回傳 DataFrame 的 (列數, 欄數) tuple
-    提示：df.shape
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def green_dtypes(df):
-    """
-    回傳 DataFrame 的欄位型別 (Series)
-    提示：df.dtypes
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-# ============================================================
-# 🟡 核心題（每題 15 分，共 45 分）
-# ============================================================
-
-def yellow_clean_columns(df):
-    """
-    清理欄位名稱：去除前後空白、全部轉小寫
-    回傳清理後的 DataFrame（不要修改原始 df）
-    提示：df.columns.str.strip().str.lower()
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def yellow_clean_amount(df):
-    """
-    清理 amount 欄位：移除 '$' 和 ',' 符號，轉為 float
-    假設欄位名稱已經是小寫的 'amount'
-    回傳清理後的 DataFrame（不要修改原始 df）
-    提示：.str.replace() + .astype(float)
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def yellow_drop_duplicates(df):
-    """
-    移除完全重複的列，回傳去重後的 DataFrame
-    提示：df.drop_duplicates()
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-# ============================================================
-# 🔴 挑戰題（25 分）
-# ============================================================
-
-def red_clean_orders(path):
-    """
-    完整清理 pipeline：一個函式搞定所有清理步驟
-    1. 讀取 CSV
-    2. 欄位名稱：去空白、轉小寫
-    3. amount：移除 '$' ','，轉 float
-    4. order_date：轉為 datetime（無法轉換的設為 NaT）
-    5. 刪除 amount 或 order_date 為空的列
-    6. 移除重複列
-
-    回傳：清理後的 DataFrame
-    提示：pd.to_datetime(errors='coerce')
-    """
-    # TODO: 你的程式碼
-    pass
+"""
+M2 Pandas I/O 與資料清理 — 課後作業
+====================================
+情境：你拿到一份「故意弄髒」的訂單 CSV (orders_raw.csv)，
+裡面有欄位名稱空格、金額帶 $ 符號、日期格式錯誤、缺值、重複列。
+請用 Pandas 把它清乾淨。
+
+資料路徑：datasets/ecommerce/orders_raw.csv
+"""
+import pandas as pd
+
+
+# ============================================================
+# 🟢 送分題（每題 10 分，共 30 分）
+# ============================================================
+
+def green_read_csv():
+    """
+    讀取 orders_raw.csv，回傳原始 DataFrame（不做任何清理）
+    提示：pd.read_csv()
+    """
+    return pd.read_csv("datasets/ecommerce/orders_raw.csv")
+
+
+def green_shape(df):
+    """
+    回傳 DataFrame 的 (列數, 欄數) tuple
+    提示：df.shape
+    """
+    return df.shape
+
+
+def green_dtypes(df):
+    """
+    回傳 DataFrame 的欄位型別 (Series)
+    提示：df.dtypes
+    """
+    return df.dtypes
+
+
+# ============================================================
+# 🟡 核心題（每題 15 分，共 45 分）
+# ============================================================
+
+def yellow_clean_columns(df):
+    """
+    清理欄位名稱：去除前後空白、全部轉小寫
+    回傳清理後的 DataFrame（不要修改原始 df）
+    提示：df.columns.str.strip().str.lower()
+    """
+    new_df = df.copy()
+    new_df.columns = new_df.columns.str.strip().str.lower()
+    return new_df
+
+
+def yellow_clean_amount(df):
+    """
+    清理 amount 欄位：移除 '$' 和 ',' 符號，轉為 float
+    假設欄位名稱已經是小寫的 'amount'
+    回傳清理後的 DataFrame（不要修改原始 df）
+    提示：.str.replace() + .astype(float)
+    """
+    new_df = df.copy()
+    new_df['amount'] = (new_df['amount']
+                        .str.replace('$', '', regex=False)
+                        .str.replace(',', '', regex=False)
+                        .astype(float))
+    return new_df
+
+
+def yellow_drop_duplicates(df):
+    """
+    移除完全重複的列，回傳去重後的 DataFrame
+    提示：df.drop_duplicates()
+    """
+    return df.drop_duplicates()
+
+# ============================================================
+# 🔴 挑戰題（25 分）
+# ============================================================
+
+def red_clean_orders(path):
+    """
+    完整清理 pipeline：一個函式搞定所有清理步驟
+    1. 讀取 CSV
+    2. 欄位名稱：去空白、轉小寫
+    3. amount：移除 '$' ','，轉 float
+    4. order_date：轉為 datetime（無法轉換的設為 NaT）
+    5. 刪除 amount 或 order_date 為空的列
+    6. 移除重複列
+
+    回傳：清理後的 DataFrame
+    提示：pd.to_datetime(errors='coerce')
+    """
+def yellow_clean_columns(df):
+    new_df = df.copy()
+    new_df.columns = new_df.columns.str.strip().str.lower()
+    return new_df
+
+
+def yellow_clean_amount(df):
+    new_df = df.copy()
+    new_df['amount'] = (new_df['amount']
+                        .str.replace('$', '', regex=False)
+                        .str.replace(',', '', regex=False)
+                        .astype(float))
+    return new_df
+
+
+def yellow_drop_duplicates(df):
+    return df.drop_duplicates()
\ No newline at end of file
diff --git a/homework/m3_pandas_advanced.py b/homework/m3_pandas_advanced.py
index 68410e8..3674423 100644
--- a/homework/m3_pandas_advanced.py
+++ b/homework/m3_pandas_advanced.py
@@ -1,97 +1,103 @@
-"""
-M3 Pandas 進階：merge / groupby / RFM — 課後作業
-=================================================
-情境：你已經有清理好的訂單資料，現在要合併客戶和商品表，
-做出有商業價值的分析。
-
-資料路徑：
-  - datasets/ecommerce/orders_clean.csv
-  - datasets/ecommerce/customers.csv
-  - datasets/ecommerce/products.csv
-"""
-import pandas as pd
-
-
-# ============================================================
-# 🟢 送分題（每題 10 分，共 30 分）
-# ============================================================
-
-def green_load_and_merge():
-    """
-    讀取三張表，合併成一張完整的 DataFrame 並回傳
-    - orders_clean.csv LEFT JOIN customers.csv ON customer_id
-    - 再 LEFT JOIN products.csv ON product_id
-    提示：pd.merge(how='left')
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def green_row_count(df):
-    """回傳 DataFrame 的列數 (int)"""
-    # TODO: 你的程式碼
-    pass
-
-
-def green_column_list(df):
-    """回傳 DataFrame 的所有欄位名稱 (list)"""
-    # TODO: 你的程式碼
-    pass
-
-
-# ============================================================
-# 🟡 核心題（每題 15 分，共 45 分）
-# ============================================================
-
-def yellow_top_category(df):
-    """
-    哪個商品類別 (category) 的總營收最高？
-    回傳該類別名稱 (str)
-    提示：groupby('category')['amount'].sum()
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def yellow_gold_vip_stats(df):
-    """
-    Gold VIP 客戶總共下了幾張訂單？總金額多少？
-    回傳 tuple: (訂單數 int, 總金額 float)
-    提示：df[df['vip_level'] == 'Gold']
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def yellow_region_avg_amount(df):
-    """
-    計算每個地區 (region) 的平均訂單金額
-    回傳 Series（index=region, values=平均金額）
-    提示：groupby('region')['amount'].mean()
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-# ============================================================
-# 🔴 挑戰題（25 分）
-# ============================================================
-
-def red_rfm_top5(df):
-    """
-    RFM 分析：找出最有價值的前 5 位客戶
-
-    計算每位客戶的：
-    - R (Recency)：最近一次下單日期
-    - F (Frequency)：訂單總數
-    - M (Monetary)：消費總金額
-
-    回傳 DataFrame：
-    - 欄位：customer_id, customer_name, R, F, M
-    - 按 M 由大到小排序
-    - 只取前 5 筆
-
-    提示：groupby('customer_id').agg(...)
-    """
-    # TODO: 你的程式碼
-    pass
+"""
+M3 Pandas 進階：merge / groupby / RFM — 課後作業
+=================================================
+情境：你已經有清理好的訂單資料，現在要合併客戶和商品表，
+做出有商業價值的分析。
+
+資料路徑：
+  - datasets/ecommerce/orders_clean.csv
+  - datasets/ecommerce/customers.csv
+  - datasets/ecommerce/products.csv
+"""
+import pandas as pd
+
+
+# ============================================================
+# 🟢 送分題（每題 10 分，共 30 分）
+# ============================================================
+
+def green_load_and_merge():
+    """
+    讀取三張表，合併成一張完整的 DataFrame 並回傳
+    - orders_clean.csv LEFT JOIN customers.csv ON customer_id
+    - 再 LEFT JOIN products.csv ON product_id
+    提示：pd.merge(how='left')
+    """
+    orders = pd.read_csv('../datasets/ecommerce/orders_clean.csv')
+    customers = pd.read_csv('../datasets/ecommerce/customers.csv')
+    products = pd.read_csv('../datasets/ecommerce/products.csv')
+    
+    df = pd.merge(orders, customers, on='customer_id', how='left')
+    df = pd.merge(df, products, on='product_id', how='left')
+    return df
+
+
+def green_row_count(df):
+    """回傳 DataFrame 的列數 (int)"""
+    return len(df)
+
+
+def green_column_list(df):
+    """回傳 DataFrame 的所有欄位名稱 (list)"""
+    return list(df.columns)
+
+
+# ============================================================
+# 🟡 核心題（每題 15 分，共 45 分）
+# ============================================================
+
+def yellow_top_category(df):
+    """
+    哪個商品類別 (category) 的總營收最高？
+    回傳該類別名稱 (str)
+    提示：groupby('category')['amount'].sum()
+    """
+    return df.groupby('category')['amount'].sum().idxmax()
+
+
+def yellow_gold_vip_stats(df):
+    """
+    Gold VIP 客戶總共下了幾張訂單？總金額多少？
+    回傳 tuple: (訂單數 int, 總金額 float)
+    提示：df[df['vip_level'] == 'Gold']
+    """
+    gold_vip = df[df['vip_level'] == 'Gold']
+    return (len(gold_vip), float(gold_vip['amount'].sum()))
+
+def yellow_region_avg_amount(df):
+    """
+    計算每個地區 (region) 的平均訂單金額
+    回傳 Series（index=region, values=平均金額）
+    提示：groupby('region')['amount'].mean()
+    """
+    return df.groupby('region')['amount'].mean()
+
+
+# ============================================================
+# 🔴 挑戰題（25 分）
+# ============================================================
+
+def red_rfm_top5(df):
+    """
+    RFM 分析：找出最有價值的前 5 位客戶
+
+    計算每位客戶的：
+    - R (Recency)：最近一次下單日期
+    - F (Frequency)：訂單總數
+    - M (Monetary)：消費總金額
+
+    回傳 DataFrame：
+    - 欄位：customer_id, customer_name, R, F, M
+    - 按 M 由大到小排序
+    - 只取前 5 筆
+
+    提示：groupby('customer_id').agg(...)
+    """
+    rfm = df.groupby(['customer_id', 'customer_name']).agg({
+        'order_date': 'max',
+        'order_id': 'count',
+        'amount': 'sum'
+    }).reset_index()
+    
+    rfm.columns = ['customer_id', 'customer_name', 'R', 'F', 'M']
+    return rfm.sort_values('M', ascending=False).head(5)
\ No newline at end of file
diff --git a/homework/m4_timeseries.py b/homework/m4_timeseries.py
index 047af6a..43fccce 100644
--- a/homework/m4_timeseries.py
+++ b/homework/m4_timeseries.py
@@ -1,104 +1,108 @@
-"""
-M4 時間序列與 EDA — 課後作業
-==============================
-情境：用合併好的訂單資料做時間維度分析，
-產出月報級別的商業洞察。
-
-資料路徑：datasets/ecommerce/orders_enriched.csv
-"""
-import pandas as pd
-
-
-def _load_data():
-    """輔助函式：讀取並解析日期"""
-    df = pd.read_csv("datasets/ecommerce/orders_enriched.csv",
-                     parse_dates=["order_date"])
-    return df
-
-
-# ============================================================
-# 🟢 送分題（每題 10 分，共 30 分）
-# ============================================================
-
-def green_avg_by_month():
-    """
-    計算每個月份 (1~12) 的平均訂單金額
-    回傳 Series（index=月份 1~12, values=平均金額）
-    提示：df['order_date'].dt.month
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def green_top3_dates():
-    """
-    找出訂單數最多的前 3 個日期
-    回傳 Series（index=日期, values=訂單數, 由多到少排序）
-    提示：value_counts().head(3)
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def green_date_range():
-    """
-    回傳資料的日期範圍 tuple: (最早日期, 最晚日期)
-    格式為 pandas Timestamp
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-# ============================================================
-# 🟡 核心題（每題 15 分，共 45 分）
-# ============================================================
-
-def yellow_monthly_revenue():
-    """
-    計算每月總營收
-    回傳 Series（index=月底日期 period, values=總營收）
-    提示：set_index('order_date').resample('ME')['amount'].sum()
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def yellow_rolling_avg(monthly_revenue):
-    """
-    計算 3 個月移動平均
-    接收 yellow_monthly_revenue() 的結果作為輸入
-    回傳 Series（同樣 index，values=移動平均，前 2 筆可為 NaN）
-    提示：.rolling(window=3).mean()
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def yellow_category_median(df):
-    """
-    計算每個商品類別 (category) 的訂單金額中位數，由高到低排序
-    回傳 Series（index=category, values=中位數）
-    提示：groupby + median + sort_values
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-# ============================================================
-# 🔴 挑戰題（25 分）
-# ============================================================
-
-def red_monthly_report():
-    """
-    產出月報 DataFrame，每月一列，包含：
-    - order_count：當月訂單數
-    - revenue：當月總營收
-    - active_customers：當月不重複客戶數
-    - avg_order_value：客單價（revenue / order_count）
-    - revenue_growth：月營收成長率（相對上月的 % 變化）
-
-    index 為月份 (period 或 datetime)
-    提示：resample + agg + pct_change
-    """
-    # TODO: 你的程式碼
-    pass
+"""
+M4 時間序列與 EDA — 課後作業
+==============================
+情境：用合併好的訂單資料做時間維度分析，
+產出月報級別的商業洞察。
+
+資料路徑：datasets/ecommerce/orders_enriched.csv
+"""
+import pandas as pd
+
+
+def _load_data():
+    """輔助函式：讀取並解析日期"""
+    df = pd.read_csv("datasets/ecommerce/orders_enriched.csv",
+                     parse_dates=["order_date"])
+    return df
+
+
+# ============================================================
+# 🟢 送分題（每題 10 分，共 30 分）
+# ============================================================
+
+def green_avg_by_month():
+    """
+    計算每個月份 (1~12) 的平均訂單金額
+    回傳 Series（index=月份 1~12, values=平均金額）
+    提示：df['order_date'].dt.month
+    """
+    return df.groupby(df['order_date'].dt.month)['amount'].mean()
+
+
+def green_top3_dates():
+    """
+    找出訂單數最多的前 3 個日期
+    回傳 Series（index=日期, values=訂單數, 由多到少排序）
+    提示：value_counts().head(3)
+    """
+    return df['order_date'].dt.date.value_counts().head(3)
+
+
+def green_date_range():
+    """
+    回傳資料的日期範圍 tuple: (最早日期, 最晚日期)
+    格式為 pandas Timestamp
+    """
+    return (df['order_date'].min(), df['order_date'].max())
+
+
+
+
+# ============================================================
+# 🟡 核心題（每題 15 分，共 45 分）
+# ============================================================
+
+def yellow_monthly_revenue():
+    """
+    計算每月總營收
+    回傳 Series（index=月底日期 period, values=總營收）
+    提示：set_index('order_date').resample('ME')['amount'].sum()
+    """
+    return df.set_index('order_date').resample('ME')['amount'].sum()
+
+
+def yellow_rolling_avg(monthly_revenue):
+    """
+    計算 3 個月移動平均
+    接收 yellow_monthly_revenue() 的結果作為輸入
+    回傳 Series（同樣 index，values=移動平均，前 2 筆可為 NaN）
+    提示：.rolling(window=3).mean()
+    """
+    return monthly_revenue.rolling(window=3).mean()
+
+
+def yellow_category_median(df):
+    """
+    計算每個商品類別 (category) 的訂單金額中位數，由高到低排序
+    回傳 Series（index=category, values=中位數）
+    提示：groupby + median + sort_values
+    """
+    return df.groupby('category')['amount'].median().sort_values(ascending=False)
+
+
+# ============================================================
+# 🔴 挑戰題（25 分）
+# ============================================================
+
+def red_monthly_report():
+    """
+    產出月報 DataFrame，每月一列，包含：
+    - order_count：當月訂單數
+    - revenue：當月總營收
+    - active_customers：當月不重複客戶數
+    - avg_order_value：客單價（revenue / order_count）
+    - revenue_growth：月營收成長率（相對上月的 % 變化）
+
+    index 為月份 (period 或 datetime)
+    提示：resample + agg + pct_change
+    """
+    report = df.set_index('order_date').resample('ME').agg({
+        'amount': ['count', 'sum'],
+        'customer_id': 'nunique'
+    })
+    
+    report.columns = ['order_count', 'revenue', 'active_customers']
+    report['avg_order_value'] = report['revenue'] / report['order_count']
+    report['revenue_growth'] = report['revenue'].pct_change()
+    
+    return report
diff --git a/homework/m5_visualization.py b/homework/m5_visualization.py
index 7e7335d..6b2051c 100644
--- a/homework/m5_visualization.py
+++ b/homework/m5_visualization.py
@@ -1,110 +1,119 @@
-"""
-M5 Matplotlib & Seaborn 視覺化 — 課後作業
-==========================================
-情境：把分析結果做成圖表，用視覺化說故事。
-
-資料路徑：datasets/ecommerce/orders_enriched.csv
-"""
-import matplotlib
-matplotlib.use("Agg")  # 無 GUI 環境也能跑
-import matplotlib.pyplot as plt
-import pandas as pd
-import seaborn as sns
-
-
-def _load_data():
-    """輔助函式：讀取資料"""
-    return pd.read_csv("datasets/ecommerce/orders_enriched.csv",
-                       parse_dates=["order_date"])
-
-
-# ============================================================
-# 🟢 送分題（每題 10 分，共 30 分）
-# ============================================================
-
-def green_bar_category():
-    """
-    畫出每個商品類別 (category) 的訂單數長條圖
-    回傳 matplotlib Figure 物件
-    提示：sns.countplot 或 value_counts().plot.bar()
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def green_hist_amount():
-    """
-    畫出訂單金額 (amount) 的分佈直方圖，分 20 個 bin
-    回傳 matplotlib Figure 物件
-    提示：sns.histplot(bins=20) 或 plt.hist()
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def green_set_labels():
-    """
-    建立一個簡單的長條圖（內容不限），但必須設定：
-    - 圖標題 (title)
-    - X 軸標籤 (xlabel)
-    - Y 軸標籤 (ylabel)
-    回傳 matplotlib Figure 物件
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-# ============================================================
-# 🟡 核心題（每題 15 分，共 45 分）
-# ============================================================
-
-def yellow_line_region_trend():
-    """
-    畫折線圖：比較 North 和 South 兩個地區的月營收趨勢
-    - X 軸：月份
-    - Y 軸：該月總營收
-    - 兩條線，有圖例 (legend)
-    回傳 matplotlib Figure 物件
-    提示：分別 groupby 再 plot，或用 sns.lineplot(hue='region')
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def yellow_box_vip():
-    """
-    畫箱形圖：比較不同 VIP 等級 (vip_level) 的訂單金額分佈
-    回傳 matplotlib Figure 物件
-    提示：sns.boxplot(x='vip_level', y='amount', data=df)
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def yellow_scatter_price_amount():
-    """
-    畫散佈圖：X=商品單價 (unit_price)，Y=訂單金額 (amount)
-    回傳 matplotlib Figure 物件
-    提示：plt.scatter() 或 sns.scatterplot()
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-# ============================================================
-# 🔴 挑戰題（25 分）
-# ============================================================
-
-def red_category_dashboard(category="Electronics"):
-    """
-    針對指定類別，畫 2×2 的 subplot dashboard：
-    1. 左上：該類別月營收趨勢 (折線圖)
-    2. 右上：該類別各地區營收 (長條圖)
-    3. 左下：該類別 Top 5 商品營收 (水平長條圖)
-    4. 右下：該類別訂單金額分佈 (直方圖)
-
-    回傳 matplotlib Figure 物件
-    提示：fig, axes = plt.subplots(2, 2, figsize=(14, 10))
-    """
-    # TODO: 你的程式碼
-    pass
+"""
+M5 Matplotlib & Seaborn 視覺化 — 課後作業
+==========================================
+情境：把分析結果做成圖表，用視覺化說故事。
+
+資料路徑：datasets/ecommerce/orders_enriched.csv
+"""
+import matplotlib
+matplotlib.use("Agg")  # 無 GUI 環境也能跑
+import matplotlib.pyplot as plt
+import pandas as pd
+import seaborn as sns
+
+
+def _load_data():
+    """輔助函式：讀取資料"""
+    return pd.read_csv("datasets/ecommerce/orders_enriched.csv",
+                       parse_dates=["order_date"])
+
+
+# ============================================================
+# 🟢 送分題（每題 10 分，共 30 分）
+# ============================================================
+
+def green_bar_category():
+    """
+    畫出每個商品類別 (category) 的訂單數長條圖
+    回傳 matplotlib Figure 物件
+    提示：sns.countplot 或 value_counts().plot.bar()
+    """
+    fig = plt.figure()
+    sns.countplot(x='category', data=df)
+    return fig
+
+def green_hist_amount():
+    """
+    畫出訂單金額 (amount) 的分佈直方圖，分 20 個 bin
+    回傳 matplotlib Figure 物件
+    提示：sns.histplot(bins=20) 或 plt.hist()
+    """
+    fig = plt.figure()
+    sns.histplot(df['amount'], bins=20)
+    return fig
+
+
+def green_set_labels():
+    """
+    建立一個簡單的長條圖（內容不限），但必須設定：
+    - 圖標題 (title)
+    - X 軸標籤 (xlabel)
+    - Y 軸標籤 (ylabel)
+    回傳 matplotlib Figure 物件
+    """
+    fig = plt.figure()
+    plt.bar(['A', 'B', 'C'], [1, 2, 3])
+    plt.title("Sample Title")
+    plt.xlabel("X Label")
+    plt.ylabel("Y Label")
+    return fig
+
+
+# ============================================================
+# 🟡 核心題（每題 15 分，共 45 分）
+# ============================================================
+
+def yellow_line_region_trend():
+    """
+    畫折線圖：比較 North 和 South 兩個地區的月營收趨勢
+    - X 軸：月份
+    - Y 軸：該月總營收
+    - 兩條線，有圖例 (legend)
+    回傳 matplotlib Figure 物件
+    提示：分別 groupby 再 plot，或用 sns.lineplot(hue='region')
+    """
+    fig = plt.figure()
+    plot_df = df[df['region'].isin(['North', 'South'])].copy()
+    plot_df['month'] = plot_df['order_date'].dt.to_period('M').astype(str)
+    trend = plot_df.groupby(['month', 'region'])['amount'].sum().reset_index()
+    sns.lineplot(data=trend, x='month', y='amount', hue='region')
+    plt.legend()
+    return fig
+
+def yellow_box_vip():
+    """
+    畫箱形圖：比較不同 VIP 等級 (vip_level) 的訂單金額分佈
+    回傳 matplotlib Figure 物件
+    提示：sns.boxplot(x='vip_level', y='amount', data=df)
+    """
+    fig = plt.figure()
+    sns.boxplot(x='vip_level', y='amount', data=df)
+    return fig
+
+def yellow_scatter_price_amount():
+    """
+    畫散佈圖：X=商品單價 (unit_price)，Y=訂單金額 (amount)
+    回傳 matplotlib Figure 物件
+    提示：plt.scatter() 或 sns.scatterplot()
+    """
+    fig = plt.figure()
+    sns.scatterplot(x='unit_price', y='amount', data=df)
+    return fig
+
+
+
+# ============================================================
+# 🔴 挑戰題（25 分）
+# ============================================================
+
+def red_category_dashboard(category="Electronics"):
+    """
+    針對指定類別，畫 2×2 的 subplot dashboard：
+    1. 左上：該類別月營收趨勢 (折線圖)
+    2. 右上：該類別各地區營收 (長條圖)
+    3. 左下：該類別 Top 5 商品營收 (水平長條圖)
+    4. 右下：該類別訂單金額分佈 (直方圖)
+
+    回傳 matplotlib Figure 物件
+    提示：fig, axes = plt.subplots(2, 2, figsize=(14, 10))
+    """
diff --git a/homework/m6_plotly_capstone.py b/homework/m6_plotly_capstone.py
index 0e2c32a..85f7a7b 100644
--- a/homework/m6_plotly_capstone.py
+++ b/homework/m6_plotly_capstone.py
@@ -1,118 +1,148 @@
-"""
-M6 Plotly 互動儀表板 & Capstone — 課後作業
-===========================================
-情境：從原始資料到互動式儀表板，完成完整的資料分析 pipeline。
-
-資料路徑：
-  - datasets/ecommerce/orders_raw.csv（原始髒資料）
-  - datasets/ecommerce/customers.csv
-  - datasets/ecommerce/products.csv
-"""
-import pandas as pd
-import plotly.express as px
-import plotly.graph_objects as go
-from plotly.subplots import make_subplots
-
-
-# ============================================================
-# 🟢 送分題（每題 10 分，共 30 分）
-# ============================================================
-
-def green_plotly_bar():
-    """
-    用 Plotly Express 畫出每個商品類別 (category) 的總營收長條圖
-    資料來源：orders_enriched.csv
-    回傳 plotly Figure 物件
-    提示：px.bar()
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def green_plotly_line():
-    """
-    用 Plotly Express 畫出月營收趨勢折線圖
-    資料來源：orders_enriched.csv
-    回傳 plotly Figure 物件
-    提示：先 groupby 月份算總營收，再 px.line()
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def green_plotly_pie():
-    """
-    用 Plotly Express 畫出 VIP 等級 (vip_level) 的訂單數佔比圓餅圖
-    資料來源：orders_enriched.csv
-    回傳 plotly Figure 物件
-    提示：px.pie()
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-# ============================================================
-# 🟡 核心題（每題 15 分，共 45 分）
-# ============================================================
-
-def yellow_clean_and_merge(raw_path, customers_path, products_path):
-    """
-    完整 ETL：從髒資料到合併完成的 DataFrame
-    1. 讀取 orders_raw.csv 並清理（欄位名稱、金額、日期、缺值、去重）
-    2. 合併 customers.csv 和 products.csv
-    回傳：合併後的 DataFrame
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def yellow_kpi_summary(df):
-    """
-    計算 4 個核心 KPI，回傳 dict：
-    {
-        "total_revenue": float,       # 總營收
-        "order_count": int,           # 訂單數
-        "active_customers": int,      # 不重複客戶數
-        "avg_order_value": float,     # 平均客單價
-    }
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def yellow_plotly_scatter(df):
-    """
-    用 Plotly Express 畫互動散佈圖：
-    - X：商品單價 (unit_price)
-    - Y：訂單金額 (amount)
-    - 顏色：商品類別 (category)
-    - hover 顯示：商品名稱 (product_name)
-    回傳 plotly Figure 物件
-    提示：px.scatter(hover_data=['product_name'])
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-# ============================================================
-# 🔴 挑戰題（25 分）
-# ============================================================
-
-def red_dashboard():
-    """
-    Capstone：完整的互動式儀表板
-
-    流程：
-    1. 清理 orders_raw.csv + 合併三張表
-    2. 建立 2×2 subplot dashboard（用 plotly make_subplots）：
-       - 左上：月營收趨勢 (line)
-       - 右上：Top 10 商品營收 (bar)
-       - 左下：各地區營收 (bar)
-       - 右下：類別營收佔比 (pie/donut)
-    3. 設定整體標題
-
-    回傳 plotly Figure 物件
-    提示：from plotly.subplots import make_subplots
-    """
-    # TODO: 你的程式碼
-    pass
+"""
+M6 Plotly 互動儀表板 & Capstone — 課後作業
+===========================================
+情境：從原始資料到互動式儀表板，完成完整的資料分析 pipeline。
+
+資料路徑：
+  - datasets/ecommerce/orders_raw.csv（原始髒資料）
+  - datasets/ecommerce/customers.csv
+  - datasets/ecommerce/products.csv
+"""
+import pandas as pd
+import plotly.express as px
+import plotly.graph_objects as go
+from plotly.subplots import make_subplots
+
+
+# ============================================================
+# 🟢 送分題（每題 10 分，共 30 分）
+# ============================================================
+
+def green_plotly_bar():
+    """
+    用 Plotly Express 畫出每個商品類別 (category) 的總營收長條圖
+    資料來源：orders_enriched.csv
+    回傳 plotly Figure 物件
+    提示：px.bar()
+    """
+    df = pd.read_csv('../datasets/ecommerce/orders_enriched.csv')
+    data = df.groupby('category')['amount'].sum().reset_index()
+    fig = px.bar(data, x='category', y='amount', title='Total Revenue by Category')
+    return fig
+
+
+def green_plotly_line():
+    """
+    用 Plotly Express 畫出月營收趨勢折線圖
+    資料來源：orders_enriched.csv
+    回傳 plotly Figure 物件
+    提示：先 groupby 月份算總營收，再 px.line()
+    """
+    df = pd.read_csv('../datasets/ecommerce/orders_enriched.csv')
+    df['order_date'] = pd.to_datetime(df['order_date'])
+    df['month'] = df['order_date'].dt.to_period('M').astype(str)
+    data = df.groupby('month')['amount'].sum().reset_index()
+    fig = px.line(data, x='month', y='amount', title='Monthly Revenue Trend')
+    return fig
+
+
+def green_plotly_pie():
+    """
+    用 Plotly Express 畫出 VIP 等級 (vip_level) 的訂單數佔比圓餅圖
+    資料來源：orders_enriched.csv
+    回傳 plotly Figure 物件
+    提示：px.pie()
+    """
+    df = pd.read_csv('../datasets/ecommerce/orders_enriched.csv')
+    fig = px.pie(df, names='vip_level', title='Order Distribution by VIP Level')
+    return fig
+
+
+# ============================================================
+# 🟡 核心題（每題 15 分，共 45 分）
+# ============================================================
+
+def yellow_clean_and_merge(raw_path, customers_path, products_path):
+    """
+    完整 ETL：從髒資料到合併完成的 DataFrame
+    1. 讀取 orders_raw.csv 並清理（欄位名稱、金額、日期、缺值、去重）
+    2. 合併 customers.csv 和 products.csv
+    回傳：合併後的 DataFrame
+    """
+    df = pd.read_csv(raw_path)
+    df.columns = df.columns.str.strip().str.lower()
+    df['amount'] = (df['amount']
+                    .astype(str)
+                    .str.replace('$', '', regex=False)
+                    .str.replace(',', '', regex=False)
+                    .astype(float))
+    df['order_date'] = pd.to_datetime(df['order_date'], errors='coerce')
+    df = df.dropna(subset=['amount', 'order_date']).drop_duplicates()
+    customers = pd.read_csv(customers_path)
+    products = pd.read_csv(products_path)
+    df = pd.merge(df, customers, on='customer_id', how='left')
+    df = pd.merge(df, products, on='product_id', how='left')
+    
+    return df
+
+
+def yellow_kpi_summary(df):
+    """
+    計算 4 個核心 KPI，回傳 dict：
+    {
+        "total_revenue": float,       # 總營收
+        "order_count": int,           # 訂單數
+        "active_customers": int,      # 不重複客戶數
+        "avg_order_value": float,     # 平均客單價
+    }
+    """
+    summary = {
+        "total_revenue": float(df['amount'].sum()),
+        "order_count": int(len(df)),
+        "active_customers": int(df['customer_id'].nunique()),
+        "avg_order_value": float(df['amount'].mean())
+    }
+    return summary
+
+def yellow_plotly_scatter(df):
+    """
+    用 Plotly Express 畫互動散佈圖：
+    - X：商品單價 (unit_price)
+    - Y：訂單金額 (amount)
+    - 顏色：商品類別 (category)
+    - hover 顯示：商品名稱 (product_name)
+    回傳 plotly Figure 物件
+    提示：px.scatter(hover_data=['product_name'])
+    """
+    fig = px.scatter(
+        df, 
+        x='unit_price', 
+        y='amount', 
+        color='category',
+        hover_data=['product_name'],
+        title='Unit Price vs Order Amount'
+    )
+    return fig
+
+
+# ============================================================
+# 🔴 挑戰題（25 分）
+# ============================================================
+
+def red_dashboard():
+    """
+    Capstone：完整的互動式儀表板
+
+    流程：
+    1. 清理 orders_raw.csv + 合併三張表
+    2. 建立 2×2 subplot dashboard（用 plotly make_subplots）：
+       - 左上：月營收趨勢 (line)
+       - 右上：Top 10 商品營收 (bar)
+       - 左下：各地區營收 (bar)
+       - 右下：類別營收佔比 (pie/donut)
+    3. 設定整體標題
+
+    回傳 plotly Figure 物件
+    提示：from plotly.subplots import make_subplots
+    """
+