メニュー
全链路数据分析技能，支持表格(CSV/Excel)、文档(PDF/DOCX/MD)及图像数据的处理。 核心工作流强制遵循：1. 安全探查：仅读取元数据与少量样本，严禁全量加载以防Token溢出；2. 质量体检：自动检查缺失、重复与一致性；3. 代码执行：基于Python(Pandas/Matplotlib)进行清洗、统计与可视化；4. 结果验证与报告生成。 适用场景：探索性分析(EDA)、多模态数据提取、图表绘制及生成数据洞察报告。
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/SpaceZephyr/myskill --skill data-analysisコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
SOC 職業分類に基づく
SKILL.md を表示中
| name | data-analysis |
| description | 全链路数据分析技能，支持表格(CSV/Excel)、文档(PDF/DOCX/MD)及图像数据的处理。 核心工作流强制遵循：1. 安全探查：仅读取元数据与少量样本，严禁全量加载以防Token溢出；2. 质量体检：自动检查缺失、重复与一致性；3. 代码执行：基于Python(Pandas/Matplotlib)进行清洗、统计与可视化；4. 结果验证与报告生成。 适用场景：探索性分析(EDA)、多模态数据提取、图表绘制及生成数据洞察报告。 |
为了防止 Token 溢出和执行环境卡死，智能体 严禁 直接打印全量数据或将其加载到 Prompt 上下文中，只允许将必要的数据概要加载进上下文。
对不同类型的数据应使用不同的读取方法：
在编写正式分析代码前，必须先执行一段轻量级的探查代码。将代码保存至工作空间。
原则：
只看样貌，不看全貌： 仅获取元数据和少量样本。
元数据优先： 必须获取列名（Columns）和数据类型（Dtypes）。
样本限制： 严格限制读取行数（推荐n=5）。
探查全部文件： 若有多份待分析的文件，需要对所有文件逐一探查，并检查文件间可能存在的关联，将具体关联方式保存为csv文档或md文件，供后续分析进行参考。
标准探查代码模式 (Python示例):
import pandas as pd
# 设定文件路径
file_path = 'target_data.csv'
try:
# 1. 仅读取前5行，避免加载大文件占用内存
# 注意：对于非CSV文件 (如 Parquet, Excel)，使用相应的 read_ function 并配合 head()
if file_path.endswith('.csv'):
df_preview = pd.read_csv(file_path, nrows=5)
elif file_path.endswith('.parquet'):
df_preview = pd.read_parquet(file_path).head(5)
elif file_path.endswith(('.xls', '.xlsx')):
df_preview = pd.read_excel(file_path, nrows=5)
# 2. 输出关键元数据供智能体思考
print("=== 数据预览 (前5行) ===")
print(df_preview.to_markdown(index=False))
print("\n=== 列信息与类型 ===")
print(df_preview.info())
except Exception as e:
print(f"摄入错误: {e}")
编码回退：如果读取失败，尝试 `encoding='gbk'` 或 `encoding='latin1'`。
分隔符：如果数据挤在一列，尝试 sep=';' 或 sep='\t'。
在进行任何分析前，必须先“体检”。这能避免“垃圾进，垃圾出”。检查结果需放在最后的报告中。
以下是详细的检查清单：
检查数据是否存在缺失，这会直接影响统计的偏差。
缺失值：
检查字段中 NULL 、 NaN 或空字符串的比例。
记录缺失：
截断:
文本字段是否因为字符长度限制被截断（例如 JSON 字符串不完整）。
检查数据是否存在重复，这会导致指标被夸大。
完全重复: 检查是否存在完全相同的行。
主键重复: ID 字段是否唯一？（例如：同一个 UserID 不应该出现在用户表的两行中）。
业务实体重复: 同一个业务对象是否因为大小写不同、空格不同而被记录了多次（例如 "Apple"和 "apple" ）。
检查数据是否符合定义的格式和现实世界的物理规则。
数据类型:
取值范围:
检查数据在不同维度或来源上是否统一。
单位统一: 距离是米还是千米？金额是元还是分？
枚举值统一: 同样的含义是否有多种表达？（例如： "Beijing" , "BJ" , "北京" 应该标准化为同一种）。
跨表一致性: 两个表中相同含义的字段，数据是否对得上？（例如：订单表中的总金额是否等于详情表中各商品金额之和）。
若多份文件间存在关联关系，检查关系是否断裂。
外键约束: 事实表中的 ID 是否都能在维度表中找到？（例如：订单表里的 product_id ，在商品表中是否存在？如果不存在，就是“孤儿数据”）。
代码示例：
import pandas as pd
# --- 1. 完整性检查 (Completeness) ---
for col in COLS_CHECK_MISSING:
# 检查 NULL/NaN
missing_count = df[col].isnull().sum()
# 检查空字符串 (如果是字符串列)
empty_str_count = (df[col] == '').sum() if df[col].dtype == 'object' else 0
total_missing = missing_count + empty_str_count
if total_missing > 0:
print(f" -> 警告: 列 '{col}' 存在 {total_missing} 条缺失数据")
else:
print(f" -> 通过: 列 '{col}' 无缺失")
# --- 2. 唯一性检查 (Uniqueness) ---
if df[COL_PRIMARY_KEY].duplicated().any():
duplicate_count = df[COL_PRIMARY_KEY].duplicated().sum()
print(f" -> 警告: 主键 '{COL_PRIMARY_KEY}' 发现 {duplicate_count} 条重复记录")
# 可选：查看重复样本
# print(df[df[COL_PRIMARY_KEY].duplicated(keep=False)])
else:
print(f" -> 通过: 主键唯一")
# --- 3. 准确性检查 (Accuracy) ---
# 过滤出不符合规则的行
invalid_rows = df[df[COL_NUMERIC] < MIN_VALUE_THRESHOLD]
if not invalid_rows.empty:
print(f" -> 警告: 发现 {len(invalid_rows)} 条数据小于最小值 {MIN_VALUE_THRESHOLD}")
else:
()
invalid_mask = ~df[COL_CATEGORY].isin(VALID_CATEGORIES) & df[COL_CATEGORY].notnull()
invalid_cats = df.loc[invalid_mask, COL_CATEGORY].unique()
(invalid_cats) > :
()
:
()
:
orphan_mask = ~df[COL_FOREIGN_KEY].isin(ref_df[COL_REF_KEY]) & df[COL_FOREIGN_KEY].notnull()
orphan_count = orphan_mask.()
orphan_count > :
()
:
()
NameError:
()
根据任务需求确定具体的工作流程，优先使用用户指定的分析方法，不要使用与任务无关的分析方法。工作流程一般包含数据处理、分析和可视化呈现。
目标是通过深思熟虑的视觉设计，让数据变得易于理解、富有洞察力。每一个可视化都应该清晰明了，并帮助使用者做出更好的决策。
交互式仪表盘: 创建多面板仪表板、添加筛选器和控件
动画可视化: 展示随时间的变化、阐释复杂过程
根据用户的要求确定所需的报告类型，若无明确要求只需给出一份md格式的数据分析报告。
markdown、pdf、docx
在将结果呈现给用户之前，必须执行以下自检清单：
确认通过质量门控后，才可以交付。
用户指令：
“帮我分析一下 sales_2023.csv，我想看下半年的销售趋势，另外数据里好像有些退款订单，记得处理一下。”
智能体执行流：
步骤一（数据探查）：
执行 pd.read_csv('sales_2023.csv', nrows=5)。
发现： 列包含 date, amount, status, product_id。date 为字符串格式，需转换。
步骤二（质量检查）：
完整性： 检查 amount 是否有空值。
一致性： 检查 status 字段，发现包含 "Refund" 和 "Completed"。
动作： 过滤掉 status == 'Refund' 的行，只保留已完成订单。
步骤三 & 四（分析与执行）：
处理： 将 date 转为 datetime 对象，按月聚合 amount。
代码： 使用 Pandas 进行 resample('M').sum()。
可视化： 生成折线图 sales_trend.png，标注峰值月份。
步骤五（交付）： 输出简报和折线图：“2023下半年销售额在 11 月达到峰值（受大促影响），剔除 45 条退款记录后，总营收为 X 元。”
用户指令：
“我有产品类目的定义文件 categories.xlsx，还有一份最近的用户反馈日志 feedback.pdf。请分析一下哪个产品类目的负面反馈最多。”
智能体执行流：
步骤一（数据读入）：
对于 categories.xlsx：使用 Pandas 读取前 5 行，确认包含 product_id 和 category_name。
对于 feedback.pdf：调用 \pdf 工具提取文本，通过 LLM 结构化解析为 CSV 格式（包含 product_id, sentiment, content），保存为 temp_feedback_parsed.csv。
步骤二（关联性检查）：
探查： 读取 temp_feedback_parsed.csv 样本。
关联性： 检查反馈表中的 product_id 是否都能在 categories.xlsx 中找到。
警告： 发现 3 个 product_id 在类目表中不存在，标记为“未知类目”。
步骤三 & 四（分析与执行）：
逻辑： 将两张表基于 product_id 进行 Merge。
筛选： 过滤 sentiment == 'Negative' 的记录。
统计： 按 category_name 进行 value_counts()。
可视化： 使用 Seaborn 绘制横向条形图 negative_feedback_by_category.png。
步骤五（交付）： 生成 Markdown 报告，输出可视化图片，指出“电子产品”类目负面反馈最高，主要集中在“电池续航”问题上（基于文本聚类发现）。