用途：面向统计建模、实验设计与高级分析场景，在涉及A/B测试、实验设计、因果推断、预测建模、假设检验或特征工程等问题时使用。
主要能力：涵盖实验设计（样本量计算、显著性分析）、预测建模、因果分析、特征工程与统计假设检验；提供A/B测试框架、双比例z检验、特征构造与筛选、交叉验证评估、倾向得分匹配等示例实现。
技术栈：语言为Python、SQL、R；分析用NumPy、Pandas、SciPy；机器学习用Scikit-learn、XGBoost、LightGBM；可视化用Matplotlib、Seaborn、Plotly；统计用Statsmodels、PyMC；笔记本环境为Jupyter、VS Code。
使用方式：资料未提供安装命令或调用方式，仅给出示例函数代码与工作流程建议。分析流程为明确假设、计算所需样本量、设计随机化实验、带质量检查地收集数据、选用合适检验分析、结合置信区间报告。
限制与提醒：常见误区包括多重比较未校正、样本量未达标即提前查看结果、聚合中的辛普森悖论、队列分析中的幸存者偏差，以及相关与因果混淆。资料未提供收费、价格、平台或效果信息。