| 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)
Level 4: 计算脚本 (直接调用)
🔄 定性定量结合机制
定性分析 (AI职责)
- 数据理解 - 业务背景、变量意义 → 数据理解提示
- 清洗策略 - 异常值处理、缺失值策略 → 数据清洗提示
- 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)
- 数据清洗 - 异常值检测、缺失值处理 (
data_cleaning.py)
- 探索分析 - 描述统计、相关分析 (
exploratory_analysis.py)
- 统计建模 - 回归、分类、聚类 (
statistical_modeling.py)
- 可视化 - 图表生成 (
visualization.py)
📋 五阶段分析流程
- 数据理解 → AI加载数据理解提示进行业务背景分析
- 数据清洗 → AI结合数据清洗提示制定清洗策略,脚本执行
- 探索分析 → AI基于探索分析提示指导分析方向,脚本执行
- 建模策略 → AI使用建模策略提示选择模型,脚本执行
- 结果解释 → AI基于结果解释提示进行深度解读
📚 参考资源
🚀 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