用途：当 SQL 不再合适（多步转换、统计检验、时间序列、异常检测、复杂财务计算、地理空间计算）时，用 Python 完成分析。适用场景包括 cohort 留存、漏斗转化、流失曲线、IRR/NPV/摊销与折旧、会计分析（试算平衡、应收应付账龄、银行对账、存货估值、成本差异）、A/B 检验、离群与异常检测、地理空间统计。
主要能力：给出何时用 Python 而非 SQL 的决策规则；核心栈为 pandas 2.x、numpy、Polars、SQLAlchemy 2.x、Shapely/GeoPandas、statsmodels/scipy，货币计算必须用 Decimal 而非 float。包含数据加载（SQLAlchemy engine + pandas.read_sql，大结果分块 chunksize=100_000）、pandas 惯用法（向量化、避免 inplace、加载时指定 dtype、切片用 copy()、具名聚合）、cohort/漏斗/留存配方，财务与统计配方，地理空间示例（EPSG:4326 转 EPSG:3857 后按米算距离），性能建议（<100K 行用 pandas，>5M 行改用 Polars 惰性 API，>100M 行移出 sidecar，先 profile），以及结果回传 PHP/MySQL/文档生成的交接方式。
使用方式：先读 SKILL.md，再按需加载 references/ 下深潜文件；前置要求先加载 python-modern-standards 与 python-saas-integration；需先收集项目上下文、约束与具体问题，并确认交付物类型（设计、代码、评审、迁移计划、审计或文档）。
限制与注意：需显式记录假设、风险与后续工作；注意时区、混合货币、日期截断、除零保护与租户隔离（必须在 SQL 层过滤）；不要照抄示例、不要默认加载全部参考文件。具体版本、平台与费用等资料暂未提供。