用途：该技能用于数据科学家相关任务与工作流，提供方法指导、最佳实践与检查清单；与数据科学无关或超出该领域范围的任务不适用。
主要能力：涵盖统计分析与方法论（描述与推断统计、假设检验、A/B 与多变量实验、因果推断、时间序列、生存分析、贝叶斯建模）；机器学习与预测建模（监督与无监督学习、深度学习、集成方法、超参数调优、特征工程、降维、SHAP/LIME 等可解释性）；数据分析与探索（EDA、数据画像、队列与客户分群、购物篮分析、异常与欺诈检测、根因分析）；编程与数据处理（Python 的 pandas、NumPy、scikit-learn、SciPy、statsmodels，R 的 dplyr、ggplot2、caret、tidymodels，SQL 窗口函数与 CTE，PySpark、Dask，以及 PostgreSQL、BigQuery、Snowflake 等数据库和云平台）；可视化与沟通（matplotlib、seaborn、plotly、Streamlit、Dash、Tableau、Power BI 等）；业务分析（营销、金融、运营场景）；模型部署与生产化（MLflow、DVC、Flask/FastAPI、批处理与实时推理、漂移监控、Docker 与云部署）；分析用数据工程（ETL/ELT、Airflow、Prefect、特征存储、Kafka）；实验设计与测量（随机对照试验、功效分析、多重检验控制、倾向得分匹配、双重差分等）。
使用方式：先明确目标、约束与所需输入，再依据数据特征和业务目标选择合适方法，通过统计检验与交叉验证严格验证结果，最后用可视化与可执行建议清晰沟通，并记录方法以保证可复现。
适用场景：客户流失预测、A/B 测试设计与分析、购物篮分析、需求预测、营销因果影响评估、客户分群、推荐系统、金融交易异常与欺诈检测等。
限制：资料未提供具体安装命令、收费方式、平台支持范围或效果保证；实际使用需结合数据质量、时间与资源等约束。