该技能用于科学数据分析，底层使用 Python 与 pandas 等库，所有脚本统一在 /Users/zhangmingda/clawd/.venv 虚拟环境中运行，启用方式为：source /Users/zhangmingda/clawd/.venv/bin/activate。
用途与流程：先做数据加载，支持从 CSV（pd.read_csv）、Excel（pd.read_excel，可指定 sheet_name）、JSON（pd.read_json）读取；用户粘贴的数据需先保存为临时文件再读取。随后进行快速检查，输出数据形状、列名、类型、描述统计与缺失值情况。
主要能力：一是数据清洗，包括缺失值处理（dropna、中位数填充）、去重（drop_duplicates）、基于 IQR 的异常值过滤、类型转换（日期、分类变量）。二是探索性数据分析（EDA），用 matplotlib 与 seaborn 绘制分布图、相关矩阵热力图与配对图（pairplot），并可保存为图片。三是统计检验，按数据类型、分布（Shapiro-Wilk 正态性检验）、组数、配对情况选择检验方法：两组独立样本用独立 t 检验或 Mann-Whitney U，配对样本用配对 t 检验或 Wilcoxon 符号秩，三组及以上用单因素方差分析或 Kruskal-Wallis，重复测量用重复测量方差分析或 Friedman，连续变量关联用 Pearson r 或 Spearman ρ，分类变量关联用卡方或 Fisher 精确检验；还可计算效应量如 Cohen's d。四是回归，使用 statsmodels 做 OLS、logistic 回归与混合效应模型。五是结果报告，要求报告样本量、描述统计、检验统计量、自由度、p 值、效应量及置信区间，并说明检查过的假设。
注意事项与限制：参数检验前需检查假设；应报告效应量而非仅 p 值；多重比较需用 Bonferroni 或 FDR 校正；分析前后都应可视化数据；输出结果应保存为可供用户下载的文件。资料未提供具体平台支持范围、收费方式或更细的环境配置说明。