據 AlphaMoat 統計,截至 2026-10,Data Analysis Workflow 累計下載 9,081 次、獲 3 個星標,按累計下載量在本次參與排名的 10,914 個 AI 技能中排名第 3,045 位,在「資料分析」分類(915 個)中排名第 294 位。
列表預設按累計下載量排序,也可按星標排序;詳情頁排名按累計下載量計算。
| 平台 | 累計下載 | 星標 | 評論 |
|---|---|---|---|
| ClawHub ↗ | 1334 | - | - |
| SkillHub ↗ | 9081 | 3 | — |
各平台的計數口徑不同,統計時間不一致。
整合 data-analysis、statistical-analysis、scientific-visualization 及 pandas、scipy、seaborn、matplotlib,從匯入、清理和探索到實驗或調查資料檢驗、圖表與 APA 報告。選擇檢驗前需檢查適用的正態性、變異數同質性和獨立性,報告效應量與信賴區間;相關不能直接解釋為因果,範例統計結果不代表使用者資料。
資料釋出於 2026-10-26
以下是根據技能文件生成的示例,不代表實際執行結果。
2026-09 起統計方法調整:同名技能按作者分別統計,並覆蓋全部技能。圖中虛線為調整前的月份,與之後的資料不直接比較,也不計算跨越調整的增長。 該技能有同名的其他版本,調整前的資料歸屬當前下載量最大的這一個。
| 月份 | 累計下載 | 環比 | 星標 |
|---|---|---|---|
| 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 | — | - |
以下是作者釋出的原始檔案,按純文字顯示,本站未做修改或稽核;其中的連結不可點選,命令請核實後再執行。抓取於 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!*📊🔬
中國金融機構資料爬取與分析綜合 Skill v12.0.0。2334家/43大類機構名單、60+財經媒體源輿情、 A股報告/公告/研報、60+種查詢多源金融資料(自動降級+快取)、爬取排程與網頁操作增強、 即時資料中樞、24 技術指標引擎、多源證據融合、110 MCP 工具 + 10 Resource + 14 Prompt。 🆕 v12.0.0 四條線(資訊獲取 / 打包下載 / 資料分析 / 登入): 編排:gather_info() 一次跑完"路由→抓取→去佔位→質量分→能力邊界→回執→打包", 8 類意圖各帶問法、輸入輸出、典型耗時與 not_for(說清哪件事做不了)。 誠實:反爬佔位條目一律剔除並記賬,空結果報 E_SOURCE_EMPTY,不把假資料判成 B 級成功。 交付:包內自帶 manifest.json(逐檔案 sha256),verify 查得出改動/缺失/多塞, 批次下載單條失敗不中斷整批,失敗清單可直接只重下那幾條。 登入:Cookie 由使用者匯出或掃碼接管,檔案化 + 健康度四檔,對外輸出全脫敏(值永不回顯)。 何時觸發:爬取機構、輿情爬取、東方財富、公告下載、即時行情、技術指標、統一查詢、 交付包、批次重下、我已經登入了、登入態還有效嗎(完整觸發詞見下方 auto_trigger)。
大宗商品價格資料查詢技能。用於查詢大宗商品期現貨價格、宏觀經濟指標、產業鏈供需資料、進出口庫存資料、金融市場資料等。當用戶詢問:(1) 期貨/現貨價格查詢,如"螺紋鋼價格"、"銅期貨收盤價"; (2) 歷史行情或趨勢分析;(3) 區域或企業價格對比;(4) 宏觀經濟指標,如GDP、CPI;(5) 產業鏈上下游資料;(6) 多市場金融資料(期權、股票、債券、外匯);(7) 結算確認單生成時觸發此技能。
32種圖表,3 個主題,2步生成: 1.上傳資料 — 將 CSV / Excel / JSON 等格式的資料檔案拖入對話方塊; 2.檢視結果 — 互動式圖表(HTML),可儲存圖表為圖片.
AdMapix 的取數層:把廣告與應用相關的查詢轉成介面呼叫,只回原始 JSON。
論文配圖一鍵生成:一條命令從 JSON/CSV/Excel 生成頂刊級學術圖表,科研繪圖 與期刊配圖全場景覆蓋。40 種圖表(森林圖/KM 生存曲線(自動風險表)/競爭風險累計發生率/ROC/校準 曲線/決策曲線 DCA/列線圖/RCS 非線性劑量反應/亞組分析森林圖/RMST 限制平均生存時間/Galbraith 徑向圖/火山圖/雨雲圖/山脊圖/啞鈴圖/游泳圖(逐例時長+里程碑)/ 腫瘤緩解瀑布圖/UpSet 交集/PRISMA 流程圖/漏斗/BA 一致性/PCA/熱圖/箱線/小提琴/ 組合圖/Cox 多因素迴歸森林圖等),9 套配色(含色盲安全 Okabe-Ito 與期刊色板),9 種期刊投稿預設, YAML 流水線一條命令出全套論文圖,一次渲染多格式匯出(TIFF/PNG/PDF), PDF 重疊門禁,600dpi。純本地執行,資料不出機,中文零配置。適用:寫論文/ 投稿要配圖、把資料變成可投稿圖表、批次重出全套圖。不適用:文字潤色/翻譯/ 改寫(請用寫作類工具);商業報表/儀表盤/海報裝飾;無資料支撐的純示意圖。
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.
全球智慧投研工具(stock-researcher)v13.0:多源資料 + 機率預測 + 可匯出報告。 核心能力: - 多源資料路由:按市場/類別選源,逐級降級;每個結果標註來源與時效等級;源不可用時明確標 unavailable - 全資產量化:股票/ETF/場外基金/指數/期貨(期限結構、基差、持倉、折溢價)多因子分析 - 機率預測:1d/5d/1M/3M/6M 經驗分佈 + 分位數 + 方向機率 + 區間,kNN 鄰域收縮融合全域性分佈; 樣本不足自動棄權,可按歷史命中樣本(同桶)做機率校準 - 證據鏈簡報:每條結論繫結來源、時間與資料質量,衝突訊號保留而不抹平 - 報告匯出:Word/PPT/PDF/Markdown/JSON/純文字,純標準庫渲染 + 可選第三方引擎 - MCP Server 24 工具,Claude Code 可直接呼叫;知識庫 12 介面卡雙向同步 三條鐵律: - 資料不裝:拿不到就報不可用,不拿 0 價、不拿空表冒充 - 預測不裝:機率來自歷史相似條件的經驗分佈,樣本不足就說不足,不硬給方向 - 評分≠盈利保證:任何結論都帶免責宣告
透過 Tavily 搜尋公開網頁,並回傳含連結與摘要的結構化結果。
資料月份:2026-10 · 下載/星標數聚合自公開技能註冊庫(ClawHub、SkillHub),按月更新。口徑說明見資料方法。