AlphaMoatによると、2026-10時点でData Analysis Workflowのダウンロード数は9,081、スター数は3で、累計ダウンロード数で今回のランキング対象AIスキル10,914件中3,045位、データ分析では915件中294位です。
一覧の初期表示は累計ダウンロード数順で、スター数順にも並べ替えできます。詳細ページの順位は累計ダウンロード数で計算しています。
| プラットフォーム | ダウンロード数 | スター数 | コメント |
|---|---|---|---|
| ClawHub ↗ | 1334 | - | - |
| SkillHub ↗ | 9081 | 3 | — |
プラットフォームごとに集計方法と集計時点が異なります。
data-analysis、statistical-analysis、scientific-visualization と pandas、scipy、seaborn、matplotlib を組み合わせ、読み込み、整形、探索、実験や調査の検定、図表、APA 報告まで扱います。検定の選択前に該当する正規性、等分散、独立性を確認し、効果量と信頼区間も示します。相関を因果と解釈せず、原文の結果例を利用者のデータと扱いません。
資料公開日 2026-10-26
スキルのドキュメントをもとに生成した例であり、実際の実行結果ではありません。
2026-09 から集計方法を変更し、同名スキルを作者ごとに分けて集計し、全スキルを対象にしました。破線は変更前の月で、変更後のデータとは直接比較せず、変更をまたぐ増減も計算していません。 同名の別スキルがあるため、変更前のデータは現在ダウンロード数が最も多いこのスキルに帰属させています。
| 月 | ダウンロード数 | 前月比 | スター数 |
|---|---|---|---|
| 2026-10 | 9081 | — | 3 |
| 2026-09 | 5536 | — | 3 |
| 2026-08 | 4172 | +28.0% | 3 |
| 2026-07 | 3259 | +37.2% | 3 |
| 2026-06 | 2375 | +30.4% | 3 |
| 2026-05 | 1821 | — | 2 |
| 2026-03 | 338 | — | - |
作者が公開した元のファイルをテキストのまま表示しています。AlphaMoat による編集や審査はしていません。リンクはクリックできません。コマンドは内容を確認してから実行してください。取得日 2026-10-23。
---
name: data-analysis-workflow
description: Standardized data analysis workflow integrating data-analysis, statistical-analysis, scientific-visualization and other skills. Provides complete data analysis process from data import to result reporting with 6 stages.
license: MIT License
metadata:
skill-author: academic-assistant
version: 1.0.0
created: 2026-03-14
---
# Data Analysis Workflow ## Overview 标准化数据分析工作流,整合多个数据分析技能,提供从数据导入到结果报告的完整流程。 ## 6 Workflow Stages ### 1. 数据导入与检查 (5-10 分钟) - 数据维度检查 - 变量类型检查 - 缺失值检测 - 异常值检测 **使用技能**: data-analysis, pandas --- ### 2. 数据清洗与预处理 (15-30 分钟) - 缺失值处理 - 异常值处理 - 变量转换 - 数据标准化 **使用技能**: data-analysis, pandas --- ### 3. 描述统计与探索 (20-40 分钟) - 集中趋势(均值、中位数) - 离散程度(标准差、范围) - 分布形态(偏度、峰度) - 相关分析 **使用技能**: data-analysis, seaborn, exploratory-data-analysis --- ### 4. 推断统计分析 (30-60 分钟) - 统计检验选择 - 假设条件检查 - 执行统计检验 - 效应量计算 **使用技能**: statistical-analysis, scipy --- ### 5. 可视化呈现 (20-40 分钟) - 统计图表(seaborn) - 定制图表(matplotlib) - 出版级图表(scientific-visualization) **使用技能**: seaborn, matplotlib, scientific-visualization --- ### 6. 结果报告 (15-30 分钟) - APA 格式报告 - 结果解释 - 图表整合 **使用技能**: statistical-analysis, scientific-visualization --- ## Analysis Types ### 实验数据分析 (experimental) **适用场景**: - 随机对照试验 - 组间比较 - 前后测设计 **统计检验**: - t 检验(独立/配对) - ANOVA(单因素/多因素) - 卡方检验 **可视化**: - 箱线图 - 小提琴图 - 条形图(带误差线) --- ### 调查数据分析 (survey) **适用场景**: - 问卷调查 - 相关研究 - 预测模型 **统计检验**: - 相关分析(Pearson/Spearman) - 回归分析(线性/逻辑) - 因子分析 **可视化**: - 热力图 - 散点图 - 直方图 --- ### 探索性数据分析 (exploratory) **适用场景**: - 初步数据探索 - 特征工程 - 假设生成 **统计检验**: - 描述统计 - 相关分析 **可视化**: - 配对图(pairplot) - 分布图 - 相关矩阵 --- ## Usage ### 基本使用 ```bash # 完整分析流程 python data_analysis_workflow.py --file data.csv --type experimental # 仅描述统计 python data_analysis_workflow.py --file data.csv --stage 3 # 仅统计检验 python data_analysis_workflow.py --file data.csv --stage 4 --test anova # 生成可视化 python data_analysis_workflow.py --file data.csv --stage 5 --plot boxplot ``` --- ### 高级使用 ```bash # 指定输出格式 python data_analysis_workflow.py --file data.csv --output report.md --format APA # 批量分析 python data_analysis_workflow.py --input-dir data/ --output-dir results/ # 出版级图表 python data_analysis_workflow.py --file data.csv --publication-quality --journal nature ``` --- ## Statistical Tests ### t 检验 **适用场景**: 比较两组均值 **假设条件**: - 正态性 - 方差齐性 - 独立性 **APA 报告**: ``` 进行独立样本 t 检验,结果显示两组之间存在显著差异, t(58) = 2.45, p = .017, d = 0.63, 95% CI [0.12, 1.14]。 ``` --- ### ANOVA **适用场景**: 比较三组及以上均值 **假设条件**: - 正态性 - 方差齐性 - 独立性 **APA 报告**: ``` 进行单因素方差分析,结果显示三组之间存在显著差异, F(2, 87) = 5.67, p = .005, η² = 0.12。 ``` --- ### 相关分析 **适用场景**: 评估变量间关系 **类型**: - Pearson 相关(连续变量,正态分布) - Spearman 相关(等级变量,非正态) **APA 报告**: ``` Pearson 相关分析显示,变量 X 与变量 Y 呈显著正相关, r(98) = .45, p < .001, 95% CI [.28, .59]。 ``` --- ## Quality Checks ### 数据质量 | 指标 | 优秀 | 良好 | 需改进 | |------|------|------|--------| | **缺失值** | <5% | 5-10% | >10% | | **异常值** | <1% | 1-5% | >5% | | **正态性** | 符合 | 近似 | 不符合 | | **方差齐性** | 符合 | 近似 | 不符合 | --- ### 分析质量 | 指标 | 优秀 | 良好 | 需改进 | |------|------|------|--------| | **检验选择** | 完全适当 | 基本适当 | 不适当 | | **假设检查** | 完整 | 部分 | 缺失 | | **效应量** | 包含 | 部分 | 缺失 | | **可视化** | 出版级 | 清晰 | 需改进 | | **报告格式** | APA 规范 | 基本规范 | 不规范 | --- ## Best Practices ### 最佳实践 1. **先探索后检验** - 先做 EDA - 了解数据特征 - 再选择统计方法 2. **检查假设条件** - 正态性 - 方差齐性 - 独立性 3. **报告效应量** - 不仅报告 p 值 - 还要报告效应量 - 提供置信区间 4. **可视化呈现** - 图表清晰 - 标注完整 - 符合出版标准 --- ### 避免错误 1. **检验误用** - ❌ 非参数数据用参数检验 - ✅ 先检查假设条件 2. **忽略效应量** - ❌ 只报告 p 值 - ✅ 报告效应量和 CI 3. **可视化不当** - ❌ 3D 饼图 - ✅ 简洁清晰的图表 4. **过度解读** - ❌ 相关=因果 - ✅ 谨慎解释结果 --- ## Integration ### 与文献搜索配合 ``` literature-search-workflow: 负责文献搜索 data-analysis-workflow: 负责数据分析 paper-writing-workflow: 负责论文写作 ``` --- ### 与论文写作配合 ``` data-analysis-workflow: 负责数据分析 statistical-analysis: 负责统计检验 scientific-visualization: 负责图表生成 paper-writing-workflow: 负责整合到论文 ``` --- ## Examples ### 示例 1: 实验数据分析 ```bash python data_analysis_workflow.py \ --file experiment_data.csv \ --type experimental \ --output experiment_report.md ``` **输出**: - 数据概览 - 描述统计表 - t 检验/ANOVA 结果 - 箱线图/小提琴图 - APA 格式报告 --- ### 示例 2: 调查数据分析 ```bash python data_analysis_workflow.py \ --file survey_data.csv \ --type survey \ --output survey_report.md ``` **输出**: - 样本特征 - 相关矩阵 - 回归分析结果 - 热力图/散点图 - APA 格式报告 --- ### 示例 3: 探索性数据分析 ```bash python data_analysis_workflow.py \ --file data.csv \ --type exploratory \ --output eda_report.md ``` **输出**: - 数据概览 - 缺失值分析 - 分布可视化 - 相关分析 - EDA 报告 --- ## References - APA Style: https://apastyle.apa.org/ - Effect Size: https://www.cohen.com/ - Statistical Power: https://www.gpower.com/ - Scientific Visualization: https://matplotlib.org/ --- **技能版本**: v1.0.0 **创建时间**: 2026-03-14 **维护者**: academic-assistant **下次更新**: 功能改进时 --- *高效数据分析,从标准化工作流开始!*📊🔬
中国金融机构数据爬取与分析综合 Skill v12.0.0。2334家/43大类机构名单、60+财经媒体源舆情、 A股报告/公告/研报、60+种查询多源金融数据(自动降级+缓存)、爬取调度与网页操作增强、 实时数据中枢、24 技术指标引擎、多源证据融合、110 MCP 工具 + 10 Resource + 14 Prompt。 🆕 v12.0.0 四条线(信息获取 / 打包下载 / 数据分析 / 登录): 编排:gather_info() 一次跑完"路由→抓取→去占位→质量分→能力边界→回执→打包", 8 类意图各带问法、输入输出、典型耗时与 not_for(说清哪件事做不了)。 诚实:反爬占位条目一律剔除并记账,空结果报 E_SOURCE_EMPTY,不把假数据判成 B 级成功。 交付:包内自带 manifest.json(逐文件 sha256),verify 查得出改动/缺失/多塞, 批量下载单条失败不中断整批,失败清单可直接只重下那几条。 登录:Cookie 由用户导出或扫码接管,档案化 + 健康度四档,对外输出全脱敏(值永不回显)。 何时触发:爬取机构、舆情爬取、东方财富、公告下载、实时行情、技术指标、统一查询、 交付包、批量重下、我已经登录了、登录态还有效吗(完整触发词见下方 auto_trigger)。
大宗商品价格数据查询技能。用于查询大宗商品期现货价格、宏观经济指标、产业链供需数据、进出口库存数据、金融市场数据等。当用户询问:(1) 期货/现货价格查询,如"螺纹钢价格"、"铜期货收盘价"; (2) 历史行情或趋势分析;(3) 区域或企业价格对比;(4) 宏观经济指标,如GDP、CPI;(5) 产业链上下游数据;(6) 多市场金融数据(期权、股票、债券、外汇);(7) 结算确认单生成时触发此技能。
将数据文件(CSV/TSV/TXT/XLSX/XLS/JSON)转化为独立交互式 ECharts HTML 图表——32 类图表、3 套主题,全离线无需 CDN。出图前可先取数据画像(--profile:每列 dtype/基数/缺失/样本/统计、实体粒度、候选洞察信号、疑似非数据行),让 agent 在用户没说想看什么时自己读懂数据并决定出什么图——哪列是 ID、哪列是维度、出什么图,全部由 agent 从画像的客观事实自行判断,技能不代笔;每张图内置事实卡(plot_stats + data_preview),其数值是解读时唯一可引用的数字。本技能负责出图与算事实,不产出书面报告或叙事文档。触发:用户提供或指向表格数据文件并要求出图;提到「画图/出图/可视化/生成图表/generate a chart/make a graph」;想把表格渲染成交互式 HTML 图表。不触发:要的是书面报告、叙事分析或幻灯片;没有数据文件;需要后端的仪表盘;图片/音频/视频等非表格内容。
AdMapix のデータ取得層で、広告やアプリの問い合わせを API 呼び出しに変え、生の JSON だけを返します。
论文配图一键生成:一条命令从 JSON/CSV/Excel 生成顶刊级学术图表,科研绘图 与期刊配图全场景覆盖。40 种图表(森林图/KM 生存曲线(自动风险表)/竞争风险累计发生率/ROC/校准 曲线/决策曲线 DCA/列线图/RCS 非线性剂量反应/亚组分析森林图/RMST 限制平均生存时间/Galbraith 径向图/火山图/雨云图/山脊图/哑铃图/游泳图(逐例时长+里程碑)/ 肿瘤缓解瀑布图/UpSet 交集/PRISMA 流程图/漏斗/BA 一致性/PCA/热图/箱线/小提琴/ 组合图/Cox 多因素回归森林图等),9 套配色(含色盲安全 Okabe-Ito 与期刊色板),9 种期刊投稿预设, YAML 流水线一条命令出全套论文图,一次渲染多格式导出(TIFF/PNG/PDF), PDF 重叠门禁,600dpi。纯本地运行,数据不出机,中文零配置。适用:写论文/ 投稿要配图、把数据变成可投稿图表、批量重出全套图。不适用:文本润色/翻译/ 改写(请用写作类工具);商业报表/仪表盘/海报装饰;无数据支撑的纯示意图。
Intelligent chart generation and data analysis skill. Reads user-supplied data files (CSV/Excel/JSON), analyzes data characteristics with LLM assistance, auto-recommends and generates interactive ECharts visualizations. Use when the user asks to analyze data, generate charts, create visualizations, or work with tabular data files.
全球智能投研工具(stock-researcher)v13.0:多源数据 + 概率预测 + 可导出报告。 核心能力: - 多源数据路由:按市场/类别选源,逐级降级;每个结果标注来源与时效等级;源不可用时明确标 unavailable - 全资产量化:股票/ETF/场外基金/指数/期货(期限结构、基差、持仓、折溢价)多因子分析 - 概率预测:1d/5d/1M/3M/6M 经验分布 + 分位数 + 方向概率 + 区间,kNN 邻域收缩融合全局分布; 样本不足自动弃权,可按历史命中样本(同桶)做概率校准 - 证据链简报:每条结论绑定来源、时间与数据质量,冲突信号保留而不抹平 - 报告导出:Word/PPT/PDF/Markdown/JSON/纯文本,纯标准库渲染 + 可选第三方引擎 - MCP Server 24 工具,Claude Code 可直接调用;知识库 12 适配器双向同步 三条铁律: - 数据不装:拿不到就报不可用,不拿 0 价、不拿空表冒充 - 预测不装:概率来自历史相似条件的经验分布,样本不足就说不足,不硬给方向 - 评分≠盈利保证:任何结论都带免责声明
Tavily 経由で公開ウェブを検索し、リンクと抜粋付きの構造化結果を返します。
データ月:2026-10 · ダウンロード数とスター数は公開スキルレジストリ(ClawHub、SkillHub)から月単位で集計しています。詳しくはデータの方法論をご覧ください。