核心用法
data-analyst-cn-zc 是一款面向中文用户的 Python 数据分析技能，通过结构化模板库实现"对话即代码"的数据处理流程。用户上传 CSV/Excel/JSON 等文件后，可直接用自然语言触发四大功能模块：
1. 数据清洗 — 自动补全缺失值处理（均值/众数/删除）、异常值 IQR 过滤、重复数据清除及类型转换代码；
2. 统计分析 — 一键生成描述统计（偏度、峰度）、相关性矩阵、分组聚合及时间序列重采样脚本；
3. 可视化建议 — 基于数据特征推荐图表类型（趋势用折线、分布用直方/箱线、相关用热力图），并输出完整 matplotlib/seaborn 代码（含中文乱码修复配置）；
4. 报告生成 — 填充式 Markdown 报告模板，自动计算关键指标并给出业务建议。
显著优点
- 模板即最佳实践：代码片段均遵循 pandas 官方文档与 Python 数据科学社区规范，避免常见陷阱（如未处理的中文显示、inplace 误用）；
- 零配置启动：内置
plt.rcParams['font.sans-serif'] = ['SimHei']等本地化设置，开箱支持中文场景； - 全链路覆盖：从数据接入（数据库/SQL/ API）到清洗、分析、可视化、报告输出形成闭环，无需跨工具切换。
潜在局限
- 无执行环境：仅生成代码而非直接运行，需用户本地具备 Python 3 + pandas + matplotlib 环境；
- 预设模板约束：复杂模型（机器学习、因果推断）超出范围，需用户自行扩展；
- 大数据风险提示：文档提及内存注意，但未提供 Dask/Spark 等分布式方案代码。
适合人群
- 产品经理、运营人员：快速验证数据假设，降低与数据团队的沟通成本；
- 初级数据分析师：学习标准化代码写法，避免重复造轮子；
- 高校学生：作为 pandas 实战速查手册，辅助课程作业与竞赛。
常规风险
- 数据安全：用户可能直接粘贴敏感数据到对话中，虽无代码执行风险，仍需警惕对话历史泄露；
- 业务误读：自动化报告的建议为通用模板，未结合具体行业语境，需人工复核结论；
- 依赖版本：模板代码未锁定库版本，未来 pandas 3.0 语法变更可能导致部分片段失效。