阿拉丁图表工坊

数据入表后的“盲盒”困境

当我们拿到一份新的销售报表或实验数据时，第一反应往往是直接画图。但现实往往是：打开 Excel 发现编码是 GBK，混入了中文千分位和百分号；缺失值和 IQR 异常值悄悄改变了图形的比例；选错了图表类型（比如对长尾分布画了饼图），直到汇报时才被发现。手动清洗、配图、导出 PPT 往往耗费半天时间，且结果难以复现。

从数据体检到四件套产出

aladin-chart-forge 专为解决这一流程而生。它直接消费本地的 CSV、TSV、JSON 或 Excel 文件，自动探测编码并容错清洗中文数字格式。核心流程分为三步：

• 数据接入（ingest）：支持表头中英文别名，将异构数据标准化为 aladin.chart/v1 契约的中间层。
• 分析与制图（build）：逐列进行数据体检，计算缺失率、极值、IQR 异常值等指标，并按数据形态智能推荐图表族（如散点、序列、分类多指标）。
• 报告生成（report）：产出“四件套”——自包含 HTML 看板、可独立插入 PPT 的纯 SVG 矢量图、UTF-8-SIG 编码的数据矩阵 CSV 以及列级体检 CSV。

整个流程仅依赖 Python 标准库，不联网、无 CDN，渲染过程确定性排序，保证同输入同输出，方便审计与复现。

适用边界与注意事项

该技能专注于描述性可视化，因此有几个明确的边界：

• 不支持流程图、架构图或思维导图等结构化示意图，这些需要交给专门的绘图工具。
• 不提供出版级科研配图功能（如误差线、显著性星标），科研场景建议使用专业绘图库。
• 仅消费本地文件，不负责实时联网抓取外部数据（如股票行情）。
• 如果数据中没有数值列，脚本会提示做频次统计，不会强行出图。

在汇报前，建议先查看 HTML 看板中的 A-D 数据质量评分和 P0/P1/P2 问题清单，确保数据本身的质量足以支撑结论。