用途：当需要进行探索性数据分析、统计推断或构建预测模型时使用。覆盖从原始数据到可复现结论的完整分析流程，面向会写代码但需要统计方法论指导的工程师和分析师。
主要能力：数据加载与结构剖析（形状、类型、缺失值、数值与分类摘要、相关热力图）；可复用的数据清洗函数（重命名列、去重、缺失值填充、IQR 异常值处理）；假设检验（t 检验、卡方、Mann-Whitney U）、正态性检查与效应量（Cohen's d）；A/B 实验的样本量规划与比例 z 检验；特征工程（先划分数据、标准化、日期特征、目标编码）；线性与逻辑回归（statsmodels 看系数、p 值与置信区间，sklearn 做预测管道）；matplotlib/seaborn 可视化规范。
使用方式：激活后首次回复以 🧢 开头；按资料中的代码示例执行分析与建模；需要时加载 references/statistical-tests.md 选择检验方法；首次激活可用 ls 命令检查配套技能，缺失时提示安装 npx skills add AbsolutelySkilled/AbsolutelySkilled --skill <name>。
适用场景：新数据集探查、数据清洗、A/B 测试显著性分析、特征工程、回归建模与诊断。
限制与注意事项：不适用于深度学习/神经网络架构和数据工程 ETL、流式管道；务必先划分数据再拟合变换器，避免特征泄漏；不要中途窥视实验结果；Shapiro-Wilk 在 n>5000 时不可靠；偏态分布用中位数与 IQR；缺失值不应直接全删；pandas 子集修改需 .copy()。未提供的价格、平台等信息暂未提供。