data-analysis

name	data-analysis
description	执行数据分析，包括数据清洗、探索性分析、统计建模、可视化和结果解释等。结合定性洞察与定量计算。
license	MIT
compatibility	Python 3.8+, pandas, numpy, matplotlib, seaborn, scikit-learn
metadata	{"domain":"data-science","methodology":"mixed-methods","complexity":"advanced","version":"1.0.0","integration_type":"qualitative_quantitative","author":"socienceAI.com","website":"http://agentpsy.com"}
allowed-tools	python bash read_file write_file task

数据分析技能

🧠 渐进式披露架构

Level 1: 核心元数据 (Token: ~100)

• 技能: 数据分析能力
• 触发: 需要复杂数据分析时自动激活
• 方法: 混合方法数据分析

Level 2: 操作框架 (Token: ~500)

• 五阶段流程: 数据理解→数据清洗→探索分析→建模→解释
• AI协作: 定性洞察 + 定量计算
• 智能决策: 自动调用适当工具

Level 3: 专业提示词 (按需加载)

• 数据理解 | 数据清洗 | 探索分析 | 建模策略 | 结果解释

Level 4: 计算脚本 (直接调用)

• 数据清洗 | 探索分析 | 统计建模 | 可视化 | 集成分析

🔄 定性定量结合机制

定性分析 (AI职责)

1. 数据理解 - 业务背景、变量意义 → 数据理解提示
2. 清洗策略 - 异常值处理、缺失值策略 → 数据清洗提示
3. 结果解释 - 统计结果的业务含义 → 结果解释提示

定量计算 (脚本职责)

1. 数据清洗 - 异常值检测、缺失值处理 (data_cleaning.py)
2. 探索分析 - 描述统计、相关分析 (exploratory_analysis.py)
3. 统计建模 - 回归、分类、聚类 (statistical_modeling.py)
4. 可视化 - 图表生成 (visualization.py)

📋 五阶段分析流程

1. 数据理解 → AI加载数据理解提示进行业务背景分析
2. 数据清洗 → AI结合数据清洗提示制定清洗策略，脚本执行
3. 探索分析 → AI基于探索分析提示指导分析方向，脚本执行
4. 建模策略 → AI使用建模策略提示选择模型，脚本执行
5. 结果解释 → AI基于结果解释提示进行深度解读

📚 参考资源

• 方法论详解 - 数据分析核心概念与步骤
• 最佳实践 - 数据分析要点
• 报告模板 - 结果呈现格式

🚀 快速开始

cd data-analysis/
python scripts/integrated_analysis.py

---

AI职责: 业务理解与结果解释（定性分析） | 脚本职责: 精确计算（定量分析） | 协作机制: 智能决策引擎