d60d445cbf
Phase 4: Type System Completion (P2) - Add comprehensive Workflow type definitions: - WorkflowStepType: hand, skill, agent, condition, parallel, delay - WorkflowStep: individual step configuration - Workflow: complete workflow definition - WorkflowRunStatus: pending, running, completed, failed, cancelled, paused - WorkflowRun: execution instance tracking - Request/Response types for API operations - Control types for pause/resume/cancel - Update types/index.ts with workflow exports Phase 5: Skills Ecosystem Expansion (P2) - Add 5 new Skills with SKILL.md definitions: - git: Git version control operations - file-operations: File system operations - web-search: Web search capabilities - data-analysis: Data analysis and visualization - shell-command: Shell command execution - Skills coverage now at 9/60+ (15%) Documentation: - Update SYSTEM_ANALYSIS.md Phase 4 & 5 status - Mark Phase 4 as completed - Update Phase 5 progress tracking Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>
136 lines
2.7 KiB
Markdown
136 lines
2.7 KiB
Markdown
---
|
||
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
|