用途：本技能面向探索性数据分析（EDA）与可视化，帮助理解数据集结构、识别模式、选择合适可视化方式并有效传达洞察。
主要能力：数据集画像（模式、类型、基数、缺失值模式）、分布分析（直方图、箱线图、KDE、偏度）、异常与离群识别、变量关系探索（相关矩阵、交叉表、目标变量关系）、统计显著性检验、缺失机制理解（MCAR/MAR/MNAR）、大数据集抽样与聚合策略、发表级图表制作。
使用方式与工具选择：自动化画像可用 ydata-profiling / pandas-profiling；交互探索用 ipywidgets + plotly；统计可视化用 Seaborn，发表级静态图用 Matplotlib，交互网页图用 Plotly，大数据（10万点以上）用 hvPlot + Datashader，内存高效 EDA 用 Polars + lazy，声明式语法用 Altair，统计检验用 scipy.stats。核心流程为：画像结构→分析分布→探索关系→统计检验→识别问题→制图表达→验证并记录。
适用场景：新数据集摸底、可视化库与图表选型、数据质量调查、假设检验、特征工程前的变量关系理解、建模前的数据假设验证、大数据集探索。
限制与不适用：构建交互式仪表盘或数据应用请用 building-data-apps；ML 特征工程用 engineering-ml-features；模型评估比较用 evaluating-ml-models；Jupyter/marimo 等笔记本工作流用 working-in-notebooks。资料未提供具体安装命令、收费与平台信息。