---
name: data-analysis
description: 数据分析和可视化 - 分析数据、生成统计、创建图表
triggers:
  - "分析数据"
  - "数据分析"
  - "统计"
  - "图表"
  - "可视化"
  - "数据报告"
  - "数据统计"
tools:
  - bash
  - read
  - write
---

# 数据分析和可视化

分析数据、生成统计信息、创建数据可视化图表。

## 能力

- 数据统计：计算均值、中位数、标准差等
- 数据清洗：处理缺失值、异常值
- 数据转换：格式转换、数据聚合
- 趋势分析：识别数据趋势和模式
- 可视化建议：推荐合适的图表类型
- 报告生成：生成数据分析报告

## 工具依赖

- bash: 执行数据处理脚本（Python/Node.js）
- read: 读取数据文件
- write: 输出分析结果

## 支持的数据格式

| 格式 | 扩展名 | 说明 |
|------|--------|------|
| CSV | .csv | 逗号分隔值 |
| JSON | .json | JSON 数据 |
| Excel | .xlsx | Excel 表格 |
| TSV | .tsv | 制表符分隔 |
| YAML | .yaml/.yml | YAML 格式 |

## 常用分析方法

### 描述性统计

```python
# 使用 pandas
import pandas as pd

df = pd.read_csv('data.csv')

# 基本统计
print(df.describe())

# 缺失值检查
print(df.isnull().sum())
```

### 数据聚合

```python
# 分组统计
df.groupby('category').agg({
    'value': ['mean', 'sum', 'count']
})
```

### 时间序列分析

```python
# 日期转换
df['date'] = pd.to_datetime(df['date'])

# 按时间聚合
df.set_index('date').resample('M').mean()
```

## 图表类型选择

| 数据类型 | 推荐图表 | 用途 |
|----------|----------|------|
| 对比 | 柱状图、条形图 | 比较不同类别 |
| 趋势 | 折线图、面积图 | 展示变化趋势 |
| 占比 | 饼图、环形图 | 显示部分与整体 |
| 分布 | 直方图、箱线图 | 展示数据分布 |
| 关系 | 散点图、气泡图 | 显示变量关系 |

## 示例用法

```
用户: 分析 data/sales.csv 文件，生成销售报告
助手: 读取并分析数据...

[使用 read 工具读取文件]
[使用 bash 执行 Python 分析脚本]

## 销售数据分析报告

### 数据概览
- 总记录数: 1,234 条
- 时间范围: 2024-01 至 2024-12
- 产品类别: 5 个

### 关键指标
| 指标 | 值 |
|------|-----|
| 总销售额 | ¥1,234,567 |
| 平均订单额 | ¥1,000 |
| 最高单笔 | ¥15,000 |
| 月均增长 | 12.5% |

### 趋势分析
- Q1: 缓慢增长
- Q2: 快速增长期
- Q3: 稳定期
- Q4: 年末冲刺

### 建议
1. 加强 Q2 营销投入
2. 优化低利润产品线
3. 关注客户复购率
```

## 输出规范

- 使用中文输出分析结果
- 表格使用 Markdown 格式
- 关键数据加粗标注
- 提供数据解读和建议
- 标注数据来源和时间范围