用途：面向机器学习/人工智能研究的实验结果分析工作流，把实验数据整理为可写入论文的统计结论、图表与正文。
主要能力：1）数据加载与校验，支持CSV、JSON、TensorBoard日志、Python pickle，检查缺失值、异常值、格式与单位一致性、随机种子与版本信息；2）统计分析，计算均值、标准差、标准误、置信区间，并做t检验、ANOVA、Wilcoxon检验、Bonferroni等多重比较校正；3）模型性能对比，含基线对比、消融实验、跨数据集验证，维度包括精度指标、训练与推理速度、参数量、鲁棒性；4）可视化，要求矢量格式（PDF/EPS）、色盲友好配色（如Okabe-Ito、Paul Tol）、误差棒、黑白打印可读，常用折线图、柱状图、箱线图、热图、散点图；5）生成Results章节草稿、分析报告与独立图注。
使用方式：按标准流程进行——数据加载→数据校验→统计分析→可视化→写作→质量检查；示例脚本scripts/example_statistics.py需SciPy，可用--example usage或--example benchmark重算示例并输出JSON且不写文件；参考文档位于references/目录，包括statistical-methods.md、results-writing-guide.md、visualization-best-practices.md、common-pitfalls.md。
适用场景：分析实验输出、撰写论文Results、多模型比较、统计显著性检验、出版级图表制作、结果可靠性验证。与scientific-writing或conference-paper-writing配合时，本技能负责数据分析、统计检验、可视化与结果解读，后者负责整体结构、引用与会议格式。
限制与要求：需报告完整统计信息（均值±标准差/标准误、检验方法、显著性水平、p值与效应量），同一比较的数值须来自同一未舍入输入；多测试需声明统一的多重比较策略；应报告全部结果包括零结果与负面结果；多次运行（建议至少3至5次）。资料未提供具体安装命令、收费方式与平台信息。