Smart Data Analyzer

智能数据分析助手，支持CSV/JSON/Excel导入，进行预处理、统计分析、可视化和趋势洞察，生成专业报告，无需编程。

Security Scan

The skill's requirements and instructions are coherent with a local data-analysis assistant: it is instruction-only, requires standard Python data libs, requests no credentials, and processes files the user points it to — but the package has no published source or homepage, so verify provenance before trusting it with sensitive data.

Purpose & Capability

The name, description, and SKILL.md consistently describe a local data analysis assistant that reads CSV/JSON/Excel files, runs pandas-based preprocessing, statistics, and visualization. Declared dependencies (Python, pandas, numpy, matplotlib/seaborn) match the stated functionality. One caveat: the skill's Source/Homepage are unknown (no install/spec or code files), so provenance cannot be independently verified.

Instruction Scope

Runtime instructions are explicit and narrowly scoped to reading user-specified data files, performing preprocessing/analysis, and producing reports. The SKILL.md contains concrete pandas examples that read files by path (e.g., pd.read_csv('/path/to/data.csv')). It does not instruct broad system scanning, reading unrelated system config, or exfiltrating data to external endpoints. Note: because it reads arbitrary file paths supplied by the user, a user could accidentally ask it to analyze sensitive local files — that is user-driven, not implicit behavior in the skill.

Install Mechanism

This is an instruction-only skill with no install spec and no code files, so nothing is written to disk by the skill itself. Dependencies are standard Python libraries; installing them is a normal operational concern but not performed by the skill per the package metadata.

Credentials

The skill requests no environment variables, no credentials, and no config paths. This is proportionate for a local data analysis helper. There are no unexplained secret requests.

Persistence & Privilege

The skill does not request persistent presence (always:false) and does not declare actions that modify other skills or system-wide settings. It relies on user-provided file paths and runs analysis on demand.

Assessment

This skill appears internally consistent for local data analysis, but take these practical precautions before installing or using it: - Provenance: there is no source repo or homepage listed. If you care about supply-chain trust, ask the publisher for source code or a verified distribution before using it on sensitive data. - File safety: the skill reads files you point it to. Do not ask it to open system or credential files (for example /etc/passwd, ~/.ssh, credential stores) unless you intentionally want those analyzed. - Execution environment: because it relies on Python libs, run analysis in a controlled environment (virtualenv, container, or sandbox) to limit risk from malformed files or untrusted dependencies. - Data handling claims: SKILL.md claims all analysis is local and data is not uploaded, but this is a behavioral promise not enforced by the metadata. If you need guarantees, request an auditable implementation or run the examples locally yourself. - Dependency installation: install pandas/numpy/matplotlib from official package sources (PyPI or your distro repositories) and keep them updated. If you need higher assurance, ask the publisher for the code or a signed release, or prefer a skill with a verifiable source/homepage.

Data Analyzer - 智能数据分析助手

描述

强大的数据分析skill，帮助用户从各种数据源中提取洞察、生成报告、发现趋势。无需编程知识，用自然语言即可完成专业数据分析。

何时使用

当用户需要：

• 分析CSV/JSON/Excel数据文件
• 发现数据中的趋势和模式
• 生成数据报告和可视化
• 获得数据驱动的洞察和建议

核心能力

1. 数据导入与预处理

支持多种数据格式：

• CSV文件：自动识别分隔符、编码
• JSON文件：支持嵌套结构解析
• Excel文件：支持.xlsx/.xls格式
• 文本数据：智能解析表格格式

数据清洗功能：

• 处理缺失值
• 去除重复数据
• 数据类型转换
• 异常值检测

2. 统计分析

描述性统计

• 均值、中位数、众数
• 标准差、方差
• 最大值、最小值
• 分位数分析

相关性分析

• Pearson相关系数
• 变量关系可视化
• 相关性矩阵

分组分析

• 按类别分组统计
• 对比分析
• 趋势分析

3. 可视化生成

生成专业的数据可视化：

• 📊 柱状图：类别对比
• 📈 折线图：趋势变化
• 🥧 饼图：占比分析
• 📉 散点图：关系分析
• 🗺️ 热力图：数据分布

4. 智能洞察

AI驱动的数据分析：

• 自动发现异常模式
• 识别关键趋势
• 生成自然语言报告
• 提供行动建议

使用方法

基础分析

请帮我分析这个CSV文件：/path/to/sales.csv

我会：

1. 读取并解析文件
2. 展示数据概览
3. 进行统计分析
4. 生成可视化建议
5. 提供关键洞察

对比分析

对比分析两个季度的销售数据

我会：

1. 加载两个数据集
2. 计算差异
3. 识别变化趋势
4. 生成对比报告

趋势预测

分析用户增长趋势并预测未来3个月

我会：

1. 分析历史趋势
2. 识别增长模式
3. 进行简单预测
4. 提供建议

工作流程

Step 1: 数据导入

# 使用Python的pandas读取数据
import pandas as pd

# 自动识别文件类型
df = pd.read_csv('/path/to/data.csv')
# 或
df = pd.read_excel('/path/to/data.xlsx')
# 或
df = pd.read_json('/path/to/data.json')

Step 2: 数据概览

## 📊 数据概览

- **行数**：10,000
- **列数**：15
- **缺失值**：23个（0.015%）
- **重复行**：0个

### 列信息
| 列名 | 数据类型 | 非空数量 | 示例值 |
|:---|:---|:---|:---|
| user_id | 整数 | 10,000 | 10023 |
| name | 文本 | 10,000 | "张三" |
| amount | 浮点数 | 9,977 | 158.50 |
| date | 日期 | 10,000 | 2024-01-15 |

Step 3: 统计分析

## 📈 统计分析

### 数值型变量
| 变量 | 均值 | 中位数 | 标准差 | 最小值 | 最大值 |
|:---|:---:|:---:|:---:|:---:|:---:|
| amount | ¥234.56 | ¥180.00 | ¥156.78 | ¥10.00 | ¥2,500.00 |
| quantity | 3.2 | 3 | 1.8 | 1 | 15 |

### 类别型变量
| 变量 | 唯一值数量 | 最常见值 | 占比 |
|:---|:---:|:---|:---:|
| category | 5 | 电子产品 | 35% |
| region | 8 | 华东 | 28% |

Step 4: 智能洞察

## 💡 关键洞察

### 1. 销售趋势 📈
- 整体呈上升趋势，月均增长12%
- 周末销售高于工作日23%
- 电子产品类别贡献最大利润

### 2. 用户行为 👥
- 平均客单价¥234.56
- 回购率35%，高于行业平均
- 高价值用户（top 10%）贡献60%营收

### 3. 异常发现 ⚠️
- 2月15日出现销售低谷（可能是系统故障）
- 华北地区退货率偏高（15%）
- 部分商品价格异常（建议核查）

### 4. 建议行动 ✅
- 增加周末促销活动
- 优化华北地区物流
- 调查退货原因并改进
- 重点维护高价值用户

高级功能

自定义分析

分析用户年龄段分布，并生成可视化报告

我会执行：

# 年龄分组
df['age_group'] = pd.cut(df['age'], 
                         bins=[0, 18, 25, 35, 45, 55, 100],
                         labels=['未成年', '18-25', '26-35', '36-45', '46-55', '55+'])

# 统计各年龄段
age_stats = df.groupby('age_group').agg({
    'user_id': 'count',
    'amount': 'mean'
}).round(2)

时间序列分析

分析销售数据的季节性模式

我会：

1. 按时间排序数据
2. 识别周期性模式
3. 计算移动平均
4. 预测未来趋势

相关性探索

找出影响销售额的关键因素

我会：

1. 计算各变量与销售额的相关性
2. 识别最强关联因素
3. 生成相关性矩阵
4. 提供优化建议

输出示例

分析报告格式

# 📊 数据分析报告

生成时间：2024-03-29
数据范围：2024-01-01 至 2024-03-31

## 执行摘要

本报告分析了Q1销售数据，发现以下关键发现：
- 总销售额增长23%
- 用户满意度提升至4.5/5
- 退货率下降至8%

## 详细分析

[详细的数据分析内容...]

## 可视化

[生成的图表和可视化...]

## 建议

[基于数据的行动建议...]

## 附录

[技术细节和方法说明...]

技术要求

依赖

• Python 3.8+
• pandas
• numpy
• matplotlib/seaborn（可选，用于可视化）

文件处理

• 支持读取本地文件
• 支持处理大文件（分块读取）
• 自动处理编码问题

定价模式

免费功能

• 基础统计分析
• 简单可视化
• 基本洞察生成

付费功能（可选升级）

• 高级预测模型
• 自定义分析模板
• 批量处理
• API接入

注意事项

1. 数据安全：所有分析在本地进行，数据不上传
2. 隐私保护：不存储用户数据
3. 性能限制：大文件（>100MB）可能需要较长时间
4. 准确性：洞察基于统计方法，仅供参考

---

Data Analyzer v1.0 - 让数据说话，让分析简单