Skylv Data Analyzer

数据分析助手。分析CSV、JSON等数据文件，生成统计报告、可视化图表。使用场景：(1) 分析数据分布和趋势，(2) 计算统计指标（均值、中位数、标准差），(3) 数据清洗和转换，(4) 生成数据报告。

Security Scan

该技能的声明、运行说明和需求在逻辑上是一致的：它是一个基于读取 CSV/JSON 文件进行统计与可视化的指令型助手，没有请求额外凭据或安装可疑软件。

Purpose & Capability

名称与描述（CSV/JSON 数据分析、统计、可视化）与 SKILL.md 中列出的步骤一致。没有要求与数据分析无关的凭据、二进制或配置路径。

Instruction Scope

SKILL.md 明确指示读取本地 CSV/JSON 文件、计算统计量、检测缺失值/异常并生成报告/图表——这些都是数据分析的合理行为。注意：说明未具体说明输出如何保存或是否会把结果发送到外部服务；也未明确运行环境（例如是否会实际调用本地 Python/pandas），所以在实际运行时代理如何访问/处理文件取决于平台实现。

Install Mechanism

无安装规范（instruction-only），没有下载或在磁盘写入第三方代码的指示，这降低了安装期风险。SKILL.md 提到 Python/pandas 为可选依赖，但并不强制或提供安装步骤。

Credentials

不要求任何环境变量、凭据或配置路径；所需权限与技能目的相称。唯一需要注意的是技能将读取用户提供的数据文件，可能包含敏感信息（这是数据分析技能的合理需求）。

Persistence & Privilege

没有设置 always:true 或其他特权，允许用户调用且代理可自主调用为平台默认行为，本技能未表现出需要额外长期驻留或修改其它技能配置的行为。

Assessment

该技能总体上是自洽且与其描述一致，但请在安装/使用前考虑： - 它会读取你提供的 CSV/JSON 文件，文件中可能包含敏感个人或业务数据；仅用非敏感示例数据测试，确认输出存储位置和访问权限。 - SKILL.md 提到可选的 Python/pandas 高级功能，但没有安装步骤；如果你的运行环境没有这些库，高级功能可能不可用——询问平台如何执行文件解析（内置实现还是调用本地 Python）。 - 说明没有提到将数据或报告发送到外部网络服务；如果你担心数据外泄，确认代理/平台不会默认上传结果到第三方 API 或外部服务器。 - 若你需要更高的审计把控，要求提供技能来源或实现细节（例如代码或运行日志），以便确认没有隐藏的数据传输或额外权限请求。

Data Analyzer — 数据分析助手

功能说明

对数据文件进行统计分析，生成报告和可视化。

使用方法

1. 基础统计分析

用户: 分析 data.csv 文件，计算各列的统计指标

执行步骤：

1. 读取CSV文件
2. 识别数值列和分类列
3. 计算统计指标：
   • 数值列：均值、中位数、标准差、最小值、最大值
   • 分类列：唯一值数量、最高频值
4. 输出统计报告

2. 数据分布分析

用户: 分析 sales.csv 中 amount 列的分布情况

执行步骤：

1. 读取数据
2. 计算分位数（Q1, Q2, Q3）
3. 识别异常值
4. 生成分布描述

3. 相关性分析

用户: 分析 data.csv 中 price 和 sales 的相关性

执行步骤：

1. 提取两列数据
2. 计算相关系数
3. 绘制散点图（可选）
4. 解释相关性含义

4. 数据清洗

用户: 清洗 data.csv，处理缺失值和异常值

执行步骤：

1. 检测缺失值
2. 检测异常值（IQR方法或Z-score）
3. 提供处理建议：
   • 缺失值：删除、填充均值/中位数/众数
   • 异常值：删除、替换为边界值
4. 执行清洗并输出结果

示例输出

数据分析报告 - data.csv

数据概览:
- 行数: 1,000
- 列数: 5
- 缺失值: 12 (0.24%)

数值列统计:
| 列名 | 均值 | 中位数 | 标准差 | 最小值 | 最大值 |
|------|------|--------|--------|--------|--------|
| age  | 35.2 | 34     | 12.3   | 18     | 72     |
| income | 52.3K | 48K | 18.7K | 20K | 120K |

分类列统计:
| 列名 | 唯一值 | 最高频 |
|------|--------|--------|
| city | 15     | 北京 (23%) |
| gender | 2 | 男 (52%) |

依赖

• Python 3 + pandas（可选，用于高级分析）
• 基础分析无需额外依赖，使用内置工具即可