zclaw_openfang/skills/chart-visualization/SKILL.md

name, description, triggers, tools

name	description	triggers	tools
chart-visualization	智能图表可视化 — 从26种图表类型中选择最合适的方案，将数据转化为专业图表。支持时间序列、对比分析、占比分析、关系流向、地图等多种场景。	画图表 可视化 生成图表 数据图表 折线图 柱状图 饼图 散点图 趋势图 数据展示	bash read write

图表可视化技能

智能选择最合适的图表类型（26种可选），将数据转化为专业图表。

图表类型选择指南

时间序列

• line_chart — 趋势展示
• area_chart — 累计趋势
• dual_axes_chart — 双Y轴对比

对比分析

• bar_chart — 分类横向对比
• column_chart — 分类纵向对比
• histogram_chart — 频率分布

占比分析

• pie_chart — 各部分占比
• treemap_chart — 层级占比

关系与流向

• scatter_chart — 相关性分析
• sankey_chart — 流向展示
• venn_chart — 重叠关系

专业图表

• radar_chart — 多维对比
• funnel_chart — 转化漏斗
• liquid_chart — 进度/百分比
• word_cloud_chart — 词频展示
• boxplot_chart — 统计分布
• heatmap_chart — 热力矩阵

工作流

1. 分析数据特征

识别用户数据的特征，匹配最佳图表类型：

• 有时间维度？→ 时间序列类
• 需要比较分类？→ 对比分析类
• 展示整体中的部分？→ 占比分析类
• 展示关联或流向？→ 关系与流向类
• 多维评估？→ 雷达图
• 转化过程？→ 漏斗图

2. 提取数据参数

从用户描述中提取：

• 数据源: CSV/JSON/Markdown 表格/纯文本数据
• X轴维度: 分类或时间字段
• Y轴指标: 数值字段
• 分组: 是否需要多系列
• 标题: 图表标题
• 标注: 是否需要数据标注

3. 生成图表

使用 Python（matplotlib/plotly）或 Node.js 生成图表：

# Python 示例 (matplotlib)
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rcParams['font.sans-serif'] = ['SimHei']  # 中文字体
matplotlib.rcParams['axes.unicode_minus'] = False

fig, ax = plt.subplots(figsize=(10, 6))
# ... 绑定数据和图表类型
plt.savefig(output_path, dpi=150, bbox_inches='tight')

4. 输出规范

• 格式: PNG (默认) / SVG (矢量图)
• 分辨率: 150 DPI (标准) / 300 DPI (印刷)
• 尺寸: 10x6 (标准) / 16x9 (演示)
• 中文字体: 自动配置 SimHei / PingFang SC

样式指南

配色方案

• 商务: 蓝色系 (#1890ff, #2fc25b, #facc14)
• 清新: 绿色系 (#52c41a, #73d13d, #95de64)
• 科技: 深色背景 + 霓虹色
• 学术: 灰度 + 单色强调

图表元素

• 标题: 简洁明了，描述数据含义
• 轴标签: 包含单位
• 图例: 仅在多系列时显示
• 数据标注: 关键数据点标注具体数值
• 网格: 轻量网格辅助阅读

常见场景

场景	推荐图表	说明
月度销售趋势	折线图	X轴月份，Y轴销售额
产品销量对比	柱状图	X轴产品名，Y轴销量
市场份额分布	饼图	各品牌占比
用户画像多维对比	雷达图	多维评分对比
转化率分析	漏斗图	各步骤转化率
相关性分析	散点图	两个变量的关系

输出

1. 图表图片文件（PNG/SVG）
2. 图表数据摘要（Markdown表格）
3. 关键发现（2-3句话描述数据洞察）