数据分析 Plus
将以下提示词粘贴到你的 AI 对话框中：
请根据 https://skillhub.cn/install/skillhub.md，安装 @user_15292d5a/yjkj-data-analysis-plus。
技能介绍
你在分析里常卡在什么地方
很多项目不是缺模型，而是缺可复用的分析骨架：读入数据后该用哪段 describe() / summary()，假设检验该走 scipy.stats.ttest_ind() 还是 R 的 t.test()，回归与聚类该选哪套 API，图表又该对应哪种问题类型。更麻烦的是，p 值有了、图也画了，报告格式却各写各的，同事很难复核假设与样本处理。
技能如何组织分析流程
Data Analysis Plus 把常见分析拆成可直接套用的 Python/R 代码模板，并在 Quick Reference 里按分析类型对齐入口，例如：
- 描述统计：
df.describe()/summary(df) - 假设检验：
scipy.stats.ttest_ind()/t.test() - 回归：
sklearn.linear_model/lm() - 聚类：
sklearn.cluster.KMeans/kmeans() - 时间序列：
statsmodels.tsa/forecast::auto.arima()
模板覆盖数据加载、清洗、描述统计、检验、回归、聚类与时序等阶段。可视化部分提供 Chart Selection Guide：趋势用折线、对比用条形、分布用直方图、关系用散点、构成用饼图/堆叠条、相关用热图，并分别对应 matplotlib/seaborn 与 ggplot2/pheatmap 等写法。
统计方法侧包含假设检验决策树与样本量计算；输出侧有 Executive Summary 与 Technical Report 等报告模板。文档还强调 Data Validation（分析前质量检查）以及 Automated Reports 的决策向格式，并列出 EDA 先行、记录假设、报告不确定性、固定随机种子等实践。
适用边界与注意点
这是方法与模板导航，不会替你做领域建模或自动保证因果结论。文档明确提醒：相关不等于因果、需警惕 p-hacking 与选择偏差、Simpson 悖论需分层分析。双语言栈意味着你要自己统一数据口径与环境依赖；模板是起点，业务定义、抽样设计与实验设计仍需团队自行把关。
使用场景
- A/B 或对照实验完成后，要用独立样本 t 检验对比两组指标，并在技术报告里写清 p 值与置信区间
- 读入 CSV 后先做缺失值与异常值校验，再按模板跑描述统计并决定是否进入假设检验
- 汇报指标随时间变化时，按 Chart Selection Guide 选折线图，并对齐 matplotlib 或 ggplot2 写法
- 同一数据集要在 Python 做 KMeans、在 R 做 kmeans() 做对照，需要 Quick Reference 对齐 API 与步骤
适合人员
- 向管理层交付 Executive Summary、同时保留方法细节的数据分析师
- 实验设计阶段要用样本量计算器并沿假设检验决策树选具体检验的量化研究员
- 在 sklearn、scipy 与 statsmodels 间切换做回归/聚类/时序，需要统一模板的后端或数据工程师
- 接手他人表格、强调分析前 Data Validation 与可复现记录（固定 seed、存档代码）的业务数据专员
相关技能
一款完全本地运行的微信聊天数据分析工具，支持MBTI人格推断、情感分析、风险检测、关系健康度评估和对话预测，注重隐私保护。
一个自动启动 Edge 浏览器并连接 BrowserSkill 扩展的通用组件，确保网页抓取和自动化任务的前置条件就绪。
面向小红书单篇笔记或品类搜索，输出标题套路、结构、原话评论和可跟进角度的调研备忘；粘贴笔记即可无需查询完成，公开查询需单独确认且计费。
基于新浪财经接口的 A 股实时行情监测工具，支持价格与涨跌幅预警、日志记录和定时检查。