数据分析技能，帮助分析数据、生成可视化图表和提供数据洞察
npx skills add https://github.com/hidagent/dataagent --skill data-analysisCopie e cole este comando no Claude Code para instalar a skill
API 测试技能，帮助测试和调试 HTTP API 接口
代码审查技能，帮助审查代码质量、发现潜在问题并提供改进建议
文档写作技能，帮助撰写技术文档、API 文档、用户手册等
HITL 人机交互测试技能，用于测试和演示多步人机交互功能（选择、确认、输入、表单）
SQL 专家技能，帮助编写、优化和调试 SQL 查询
| name | data-analysis |
| description | 数据分析技能，帮助分析数据、生成可视化图表和提供数据洞察 |
| category | data |
| tags | ["data","analysis","visualization","statistics","pandas"] |
这个技能帮助你进行专业的数据分析，包括：
首先了解数据的基本情况：
import pandas as pd
# 加载数据
df = pd.read_csv('data.csv')
# 基本信息
print(df.info())
print(df.describe())
print(df.head())
# 缺失值检查
print(df.isnull().sum())
# 数据类型检查
print(df.dtypes)
处理常见的数据质量问题：
# 处理缺失值
df.fillna(df.mean(), inplace=True) # 数值型
df.fillna('Unknown', inplace=True) # 分类型
# 处理重复值
df.drop_duplicates(inplace=True)
# 处理异常值
Q1 = df['column'].quantile(0.25)
Q3 = df['column'].quantile(0.75)
IQR = Q3 - Q1
df = df[(df['column'] >= Q1 - 1.5*IQR) & (df['column'] <= Q3 + 1.5*IQR)]
进行描述性和推断性统计：
# 描述性统计
mean = df['column'].mean()
median = df['column'].median()
std = df['column'].std()
# 相关性分析
correlation = df.corr()
# 分组统计
grouped = df.groupby('category').agg({
'value': ['mean', 'sum', 'count']
})
使用 matplotlib 和 seaborn 创建图表：
import matplotlib.pyplot as plt
import seaborn as sns
# 分布图
plt.figure(figsize=(10, 6))
sns.histplot(df['column'], kde=True)
plt.title('数据分布')
plt.savefig('distribution.png')
# 相关性热力图
plt.figure(figsize=(12, 8))
sns.heatmap(df.corr(), annot=True, cmap='coolwarm')
plt.title('相关性矩阵')
plt.savefig('correlation.png')
# 趋势图
plt.figure(figsize=(12, 6))
plt.plot(df['date'], df['value'])
plt.title('趋势分析')
plt.xlabel('日期')
plt.ylabel('数值')
plt.savefig('trend.png')
分析报告应包含：
## 数据分析报告
### 数据概览
- 数据集大小: X 行 × Y 列
- 时间范围: [开始日期] 至 [结束日期]
- 数据质量: 缺失值 X%，重复值 Y 条
### 关键发现
1. **发现一**: [描述]
- 数据支持: [具体数据]
- 图表: [图表引用]
2. **发现二**: [描述]
- 数据支持: [具体数据]
### 统计摘要
| 指标 | 数值 |
|------|------|
| 平均值 | X |
| 中位数 | Y |
| 标准差 | Z |
### 建议
1. [基于数据的建议一]
2. [基于数据的建议二]
### 附录
- 完整代码
- 原始数据链接