AI 结构化数据分析

问题

结构化数据看似可直接出结论，但真实 CSV、Excel、Parquet 和 JSON 常有列偏移、编码错误、缺失值、偏态分布和小样本。直接让代理画趋势或跑回归，可能把静默解析错误当成业务信号。这里需要把数据检查、统计计算和结论表述拆开，让每一步都能被审查。

工作方式

该技能围绕 pandas、scipy.stats、statsmodels 和 numpy 建立分析流程：先用 DataFrame 检查形状、列类型和首尾样本；再计算均值、中位数、标准差、偏度、峰度与类别计数；随后用滚动均值、季节分解、group-by 和透视表识别趋势。关键判断依赖相关矩阵、t 检验、卡方检验、ANOVA，并要求同时报告 p 值、置信区间和效应量。异常值用 IQR 与 z-score 检查，缺失值、偏度、共线性和小样本有对应处理。

适用边界

它适合结构化数据探索与统计报告，不替代领域建模。当目标变量缺失超过 30%、分布严重偏态、预测变量高度共线或 n < 30 时，需要显式降级方法。混合类型列、非平稳时序和混淆变量都应在结论中标注限制，避免把统计显著直接解释成业务因果。