数据分析助手：一站式 Python 数据分析解决方案
核心用法
本 skill 定位于代码生成型数据助手，通过对话指令触发四类核心能力：
1. 数据接入：提供 CSV/Excel/JSON/数据库/API 等多源读取模板，覆盖 pandas 全场景 IO 场景
2. 数据清洗：缺失值处理（删除/均值/众数填充）、重复去重、类型转换、异常值（IQR 法）、字符串标准化
3. 统计分析：描述统计（均值/中位数/标准差/偏度/峰度）、相关矩阵、分组聚合、交叉表、时间序列重采样与滚动窗口
4. 可视化：matplotlib/seaborn 代码片段，含中文设置、基础图表（折线/柱状/散点/箱线/热力图）及高级图表（小提琴图、配对图、时间序列分解）
用户以自然语言下达指令（如"清洗这个数据集，处理缺失值"），系统返回可直接运行的 Python 代码块，降低非技术人员的 Python 上手门槛。
显著优点
- 即拿即用：所有代码经过中文环境配置（SimHei 字体），开箱即用
- 体系完整：从数据读取→清洗→分析→可视化→报告生成，形成闭环工作流
- 业务导向：内置销售分析场景的报告模板（generate_report），含 Top 品类、环比、季节性等指标，贴合电商/运营场景
- 扩展性强：基于标准 pandas 生态，代码可无缝迁移至 Jupyter、本地 IDE 或云端环境
潜在缺点与局限性
- 执行环境依赖：需本地预装 Python3 + pandas/matplotlib/seaborn，未提供容器化或在线沙箱方案
- 无智能推荐：图表选择依赖用户主动提问，缺乏基于数据特征的自动图表建议（如判断数据类型后推荐箱线图或折线图）
- 大数据风险：提示"大数据集注意内存使用"但未给出具体阈值或分块处理（chunk）示例，可能诱发 OOM
- 安全空白：安全认证报告为占位文本，未经过实际代码审计或依赖漏洞扫描
适合人群
- 初级数据分析师：需要现成代码模板快速完成周报
- 产品经理/运营：无 Python 基础，希望通过复制粘贴完成简单分析
- 数据科学学习者：作为 pandas 操作速查手册
常规风险
- 代码执行风险：用户直接运行生成的代码可能覆盖原始数据（未强制要求备份）
- 统计误用：提供的 IQR 异常值剔除方法可能误伤真实业务波动，需业务二次验证
- 可视化陷阱：默认配色与中文设置可能与企业 CI 规范冲突，直接用于对外报告存在品牌风险
- 依赖漂移：模板代码未锁定库版本，pandas/seaborn 升级可能导致 API 不兼容