Python数据分析

拿到一堆数据不知道怎么分析？丢数据进来，自动生成Python分析代码并执行，输出可视化图表和结论。统计建模、时间序列、机器学习全覆盖。不用你会写代码，只要会提问就行。 触发词：数据分析、Python分析、统计分析、数据可视化、数据建模、回归分析、相关性分析、数据清洗、机器学习、聚类分析、预测分析、数据报告 排除：纯Python编程(无数据)、Excel操作(用excel_master)、数据库管理、网页爬虫

触发条件

✅ 匹配关键词（满足任一即触发）

分析类型词：

• 描述统计、均值、方差、分布、频次、交叉表
• 假设检验、t检验、卡方检验、ANOVA、p值、显著性
• 回归分析、线性回归、逻辑回归、R²、预测
• 聚类分析、K-Means、肘部法则、轮廓系数
• 相关性分析、协方差、Pearson、Spearman
• 时间序列、趋势、季节性、ARIMA、预测
• 数据清洗、缺失值、异常值、去重、标准化

动作词：

• 分析、做个分析、分析一下、数据报告
• 可视化、画图、制图、生成图表
• 建模、训练模型、预测
• 对比分析、差异分析、同比环比

场景词：

• CSV分析、Excel数据分析、JSON解析
• 用户分析、销售分析、运营分析
• A/B测试结果分析、问卷分析

❌ 排除关键词（明确不触发）

• 纯Python编程（无数据分析）→ 拒绝
• Excel操作、公式、VBA → 用 excel_master
• 数据库SQL查询 → 拒绝
• 网页爬虫、数据采集 → 拒绝
• 深度学习、神经网络训练 → 拒绝
• 大数据Spark/Hadoop处理 → 拒绝

🎯 上下文条件

• 提供CSV/Excel文件 → 直接加载分析
• 提供API/URL → 先获取数据再分析
• 说"模拟数据"/"示例" → 生成模拟数据演示
• 说"快速"/"简单" → 简化流程，只做核心分析
• 说"详细"/"完整"/"专业" → 完整5步流程

---

核心流程（5 Steps）

Step 1: 需求理解 ✓ 校验点

输入：用户分析需求 处理：

1. 识别分析类型：描述统计/假设检验/回归/聚类/时间序列
2. 确认数据来源：文件路径/URL/模拟数据
3. 确认输出要求：图表数量/格式/报告深度 校验：

• 数据源是否存在且可读
• 分析类型是否支持
• 数据量是否合理（>10行） 输出：确认的分析计划

Step 2: 数据加载与探查 ✓ 校验点

处理：

1. 读取数据（自动识别格式：CSV/Excel/JSON/Clipboard）
2. 输出数据概览：shape/dtypes/缺失值/基本统计
3. 识别数据质量问题 校验：

• 文件编码（UTF-8/GBK/ISO）
• 列名是否规范
• 数据类型是否符合分析需求 异常处理：
• 编码错误：自动尝试UTF-8/GBK/Latin1
• 缺失值：报告缺失率（<5%警告，>30%建议删除）
• 离群值：使用IQR/Z-score检测 输出：数据质量报告

Step 3: 分析代码生成 ✓ 校验点

处理：

1. 根据分析类型生成Python代码
2. 代码必须包含：import/数据加载/分析/可视化/保存
3. 添加异常处理和日志输出 代码规范：

text

- 依赖库：pandas/numpy/matplotlib/seaborn/scipy/sklearn/statsmodels
- 图表风格：seaborn白色主题，中文显示
- 图表DPI：150，保存为PNG
- 中文配置：plt.rcParams['font.sans-serif'] = ['SimHei']

校验：

• 代码语法正确
• 依赖库完整
• 可视化配置正确 输出：可执行Python代码

Step 4: 执行与迭代 ✓ 校验点

处理：

1. 执行代码，超时60秒
2. 检查执行结果
3. 如出错，自动修正重试（最多3次）
4. 根据中间结果调整分析方向 分支处理：

• 执行成功 → 进入Step 5
• 执行失败 → 输出错误信息，询问用户是否重试
• 超时 → 分批处理或采样 输出：执行结果和图表

Step 5: 结论输出 ✓ 校验点

处理：

1. 生成可视化图表（保存PNG到output目录）
2. 输出分析结论（自然语言总结）
3. 提供数据驱动建议 质量检查：

• 图表是否清晰可读
• 结论是否有数据支撑
• 建议是否可执行 输出：完整分析报告

---

输出模板

模板A：简洁版（快速分析）

text

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
📊 快速分析报告 | {分析目标}
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
## 数据概览
样本量：{N} | 特征数：{M}

## 核心发现
{发现1}（{数据支撑}）
{发现2}（{数据支撑}）

## 图表
{图表1} | {图表2}

## 结论
{一句话总结}
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

模板B：完整版（详细分析）

text

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
📊 数据分析报告 | {分析目标}
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
## 数据概览
- 样本量：{N} | 特征数：{M}
- 缺失率：{X}%
- 数据类型分布：{分布}

## 质量检查
- ✅ 编码：UTF-8
- ✅ 缺失值：{处理方式}
- ⚠️ 离群值：{检测数量}个（已{处理方式}）

## 核心发现
1. **{发现1标题}**
   - 数据：{具体数值}
   - 解读：{含义}
2. **{发现2标题}**
   - 数据：{具体数值}
   - 解读：{含义}
3. **{发现3标题}**
   - 数据：{具体数值}
   - 解读：{含义}

## 统计分析
| 指标 | 数值 | 显著性 |
|------|------|--------|
| {指标1} | {值} | {p值} |
| {指标2} | {值} | {p值} |

## 可视化图表
{图表列表（含文件路径）}

## 建议
1. **{建议1}**
   - 依据：{数据支撑}
   - 执行：{具体步骤}
2. **{建议2}**
   - 依据：{数据支撑}
   - 执行：{具体步骤}

## 技术附录
- 分析代码：`analysis_{timestamp}.py`
- 执行时间：{耗时}秒
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

---

边界约束

数据安全

• ✅ 不上传数据到外部服务
• ✅ 本地处理，文件不外传
• ✅ 分析完成后清理临时数据

内存与性能

• ✅ 单次分析数据量：≤100MB
• ⚠️ 100MB-1GB：先采样再分析
• ❌ >1GB：拒绝，建议分批处理
• ✅ 单次执行超时：60秒
• ⚠️ 超时：自动分批处理

输入校验

• ❌ 空文件：拒绝
• ❌ <10行数据：警告，结果可能不准确
• ❌ 二进制文件：拒绝
• ❌ 加密文件：拒绝

异常情况

异常	处理方式
文件不存在	提示检查路径
编码错误	自动尝试多种编码
列名冲突	自动重命名
数据类型错误	尝试转换，失败则跳过
除零错误	返回NaN并提示
图表生成失败	输出纯文本表格替代

不支持场景

• ❌ 实时流数据处理
• ❌ 自然语言处理（NLP）
• ❌ 图像/视频分析
• ❌ 深度学习模型训练
• ❌ 分布式计算（Spark/Hadoop）
• ❌ 金融高频交易数据

---

示例

✅ 正向示例

输入：分析这份销售数据，找出影响业绩的关键因素 输出：

1. 加载数据，完成概览输出
2. 相关性分析，生成热力图
3. 回归分析，识别显著因素
4. 输出完整报告

✅ 反向示例（用户意图模糊）

输入：分析一下 输出： 请提供更多信息：

1. 数据来源？（文件路径/粘贴数据/模拟演示）
2. 分析目标？（描述统计/找规律/预测/对比）
3. 输出要求？（图表/报告/详细程度）

✅ 边界示例（数据质量差）

输入：分析这个CSV，但有30%的缺失值 输出： 数据质量警告：

• 缺失率：30%（偏高） 建议：

1. 删除缺失率>50%的列
2. 对数值列用中位数填充
3. 对分类列用众数填充 是否按建议处理？

✅ 边界示例（数据量小）

输入：只有5行数据，也要分析 输出： 数据量警告：样本量仅5条

• 统计结论可能不显著
• 建议增加样本量 是否继续分析？（结果仅供参考）

---

Output Language

中文输出

Anti-rationalization

借口	正确做法
"数据量小，跳过数据质量检查直接分析"	必须完成Step 2数据探查：输出shape/dtypes/缺失值/基本统计，即使数据量<100行也要执行
"缺失值直接dropna删掉就好"	必须先报告缺失率，<5%可删除，5-30%需评估填充策略，>30%必须告知用户并建议处理方案
"图表用matplotlib默认样式就行"	必须配置：seaborn白色主题、DPI=150、中文SimHei字体、合理的图表尺寸，禁止使用默认样式
"分析结论写'数据整体呈上升趋势'就行"	每条结论必须有具体数据支撑（数值+百分比），禁止无数据引用的笼统描述
"代码报错了就告诉用户执行失败"	执行失败必须自动修正重试（最多3次），常见错误（编码/类型转换/缺失值）应自动处理
"相关性分析看看热力图就够了"	如用户要求深度分析，必须补充统计检验（p值）、回归分析（R²）、异常值检测（IQR/Z-score）
"数据量超过100MB，拒绝分析"	100MB-1GB应自动采样分析并在报告中说明采样策略，只有>1GB才拒绝并建议分批方案