用途：将采集到的原始数据转化为可信的科学洞察，覆盖数据预处理、统计检验、预测建模与可视化。
主要能力：编写 Python 脚本进行缺失值、异常值检查与特征标准化；执行线性/逻辑回归、偏最小二乘（PLS）、ANOVA 等推断统计，并报告 p 值、R²、t 统计量、F 统计量；进行机器学习建模，要求严格划分训练/测试集、使用交叉验证（如 K-Fold），并至少比较两种算法；用 Matplotlib/Seaborn 生成带轴标签、图例、标题的图表，保存为高质量 .png 或 .pdf。
依赖：Pandas、NumPy、SciPy、Statsmodels、Scikit-Learn、Matplotlib、Seaborn、XGBoost、LightGBM 等，可通过终端安装。
使用方式：先加载 .csv、.json、.xlsx 等数据；在自定义分析前，必须运行统计辅助脚本生成无幻觉的事实性数字摘要： python "<PATH_KE_SKILL>/scripts/run_stat_analysis.py" --input dataset.csv --output stat_report.json 随后基于 stat_report.json 做探索性数据分析，再按三层执行体系编写分析脚本：优先 Python 原生栈（可读 SPSS .sav、Stata .dta、Excel .xlsx）；若用户指定 SPSS/EViews/Stata/Excel，则通过 computer-use 以无头批处理模式运行 .sps、.prg、.do；必要时用 GUI 视觉回退。训练大型模型前建议用 hardware-workload-estimator 检查 CPU、内存与 GPU 显存，若预计超过 20 分钟或有 OOM 风险，可提议迁移到 Google Colab。
适用场景：学术研究、数据分析报告、特征重要性分析、模型性能对比等。
限制与常见错误：避免数据泄漏（不可在划分训练/测试集前对全量数据缩放）、避免过拟合（不可只报告训练精度）、参数检验前须验证正态性等假设。具体安装路径与更多细节以官方资料为准，暂未提供。