用途：面向数据分析与业务指标解读，提供从数据摘要、分布刻画到显著性检验与统计陷阱防范的方法指引。
主要能力：
- 数值摘要：按数据特征选择中心指标（对称无异常值用均值，偏态或异常值重用中位数，类别或排序数据用众数，业务 KPI 同时给出均值与中位数）；用标准差、IQR、变异系数、极差量化离散程度；并建议报告百分位阶梯（p1、p5、p25、p50、p75、p90、p95、p99）。
- 分布刻画：记录形状（高斯、右尾、左尾、双峰、均匀、重尾）、中心、离散度、极端值数量与严重程度及自然边界。
- 趋势与预测：给出 7 周与 28 周滚动平滑示例、周环比/月环比/同比/同日对比、简单增长率与 CAGR、对数增长率，以及朴素法、季节朴素法、线性外推、移动平均等轻量预测法，并强调用区间而非点估计表达预测。
- 异常值处理：提供 Z 分数（abs(z)>3）、IQR 围栏（1.5 倍 IQR）和 1%/99% 百分位三种识别方法，要求先诊断成因，再纠正、剔除、改用稳健摘要或分组分析，并记录每一次排除。
- 假设检验：给出原假设/备择假设、显著性水平、p 值决策流程，并按问题选择独立样本 t 检验、比例 z 检验、配对 t 检验、ANOVA、Mann-Whitney U、卡方检验；同时要求报告效应量、置信区间与业务含义，注意样本量限制。
- 统计陷阱防范：相关性不等于因果、多重检验假阳性（可用 Bonferroni 校正）、辛普森悖论、幸存者偏差、生态谬误与虚假精度。
使用方式：资料以方法说明与 Python 片段示例为主（如 df['metric'].rolling(window=7, min_periods=1).mean()）。安装命令、依赖与具体调用方式暂未提供。
适用场景：A/B 实验评估、产品改动前后对比、分群指标比较、时间序列异常监测与快速业务预测。
限制：资料未说明运行环境、编程语言版本、依赖库及许可信息；预测部分仅适用于快速投影，遇到非线性、多季节叠加或外部驱动因素时应交由专业人员处理。