用途：在拿到新数据集、需要先确认其结构与质量时启用，回答“这份数据可靠吗”“表里有什么”等问题，并作为建模或统计检验前的数据质量保障。
主要能力：依次执行加载与概览、空值剖析、异常值检测、分布摘要、相关性探索，并遵循 EDA 检查清单逐项确认；脚本会输出每列统计与交互式图表。流程包括：运行 scripts/data_overview.py 查看行数、dtypes、内存占用与样本，确认一行代表什么（粒度）；运行 scripts/null_profiler.py 并对照 references/quality_thresholds.md 的阈值标记超限列；运行 scripts/outlier_detector.py（IQR+z-score）标记数值列异常值并判断是真实信号还是数据错误；运行 scripts/distribution_summary.py 获取描述统计与单变量直方图；运行 scripts/correlation_explorer.py，将 |r| > 0.8 的变量对标记为潜在多重共线性或冗余；最后走查 references/eda_checklist.md 完成签核，填写 assets/eda_report_template.md 与 assets/findings_summary.md。
使用方式：需提供数据集路径（CSV/Parquet/Excel）或已在作用域内的 DataFrame，以及业务背景（一行代表什么）；可选提供质量阈值覆盖与需跳过的列（PII、二进制、高基数 ID）。参考 references/pandas_polars_recipes.md 可查 pandas/polars 等价写法与大文件分块读取等模式。
适用场景：新数据集探查、分析结果异常时的数据核验、利益相关方询问数据可靠性、建模前质量保障。
限制：资料未提供具体依赖环境、安装命令、脚本内部实现细节、阈值默认值、运行耗时与支持规模；输出包含报告、摘要与控制台输出/图表。