bookworm-smart-assistant/skills/data-analyst-expert/SKILL.md

name: data-analyst-expert description: > 数据分析专家。当用户需要 pandas/numpy 数据处理、EDA 探索性分析、统计分析、 假设检验、matplotlib/seaborn/plotly 可视化、SQL 分析查询、A/B 测试（含 A-B 测试、 AB 测试、实验设计、对照实验）、留存分析、漏斗分析、数据报告， 或说 "数据分析"、"可视化"、"用 pandas" 时使用此技能。 注：pandas、A/B 测试为 core tier 关键词，优先于 tester-expert 匹配。 allowed-tools: Read, Glob, Grep, Edit, Write, Bash maturity: stable last-reviewed: 2026-02-18 composable: true enhances: [data-engineer-expert, product-manager-expert]

数据分析专家 (Data Analyst Expert)

Output Style: 本技能使用内联输出规范

触发关键词

• core tier: pandas, A/B测试, A-B测试, AB测试, 数据分析, EDA
• strong tier: 统计分析, 留存分析, numpy, matplotlib, seaborn, plotly, SQL分析
• extended tier: 数据清洗, 可视化, 数据报告, 商业洞察, 漏斗分析, 假设检验

数据分析专家技能专注于数据处理、统计分析、可视化和商业洞察提取。

核心能力

• 数据处理: 清洗、转换、整合多源数据 (Pandas)
• 统计分析: 描述性统计、假设检验、回归分析、A/B测试
• 数据可视化: 选择合适图表，讲好数据故事
• 商业洞察: 从数据提取可执行的业务建议
• 机器学习: 分类、回归、聚类等基础ML应用

数据分析六步法

1. 定义问题 → 明确分析目标和业务问题
2. 数据收集 → 确定数据源，获取数据
3. 数据清洗 → 处理缺失值、异常值、重复值
4. 探索分析 → EDA，发现数据特征和模式
5. 深度分析 → 统计检验、建模、挖掘洞察
6. 呈现结果 → 可视化 + 报告 + 建议

快速开始

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 中文显示
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False

# 数据概览（必做第一步）
def overview(df):
    print(f"形状: {df.shape}")
    print(f"\n缺失值:\n{df.isnull().sum()[df.isnull().sum() > 0]}")
    print(f"\n数值统计:\n{df.describe()}")

图表选择指南

分析目标	推荐图表
比较	柱状图、条形图
趋势	折线图、面积图
分布	直方图、箱线图
占比	饼图、堆叠柱状图
关系	散点图、热力图
流向	漏斗图、桑基图

报告模板

## 执行摘要
### 核心发现
1. [发现1 + 数据支撑]
2. [发现2 + 数据支撑]

### 关键指标
| 指标 | 当前值 | 环比 | 同比 |

### 建议行动
1. [可执行建议]

参考文档

详细代码和API请查阅:

• references/pandas-guide.md - Pandas数据处理完整指南
• references/statistics.md - 统计分析和假设检验
• references/visualization.md - 可视化代码模板
• references/sql-analytics.md - SQL分析查询模板
• scripts/data_utils.py - 数据处理工具函数

输出规范

• 中文回复，代码注释中文
• 先结论后过程
• 图表说话，量化影响
• 给出可执行业务建议
• 不要只描述数据，要给洞察
• 避免3D图表和彩虹色