用途：在任何模型设计之前完成数据理解。它产出项目级的探索性数据分析：一个用户可打开的 notebook、HTML 报告、内嵌这些报告的 data_analysis.md，以及一行 JOURNAL 索引。人类可读文字只描述数据集本身，不描述技能框架、CLI 或产生输出的命令。
主要能力：TableReport 负责 dtypes、缺失情况、单变量分布、基数和主要两两关联；额外单元格覆盖重复值、每个目标的分布、特征对目标关系与泄漏候选。兄弟目标不作为特征，不重复 TableReport 已有内容。原始数据只读，绝不清理、改写或重存用户文件，也不建议“drop”某列或文件；泄漏只作为开放问题/度量板记录下来，清洗属于 build-ml-pipeline。交付物位于 data_analysis/ 下。
必要用法：先运行 python -m skore_skills status，若 setup 待处理且 setup-ml-project 为 true，则加载该技能并停止，不得开始本技能。随后依次解析 G-DATA-ANALYSIS run|skip、G-TABULAR、目标列与数据家族。放置 data_analysis/data_analysis.py 但不要执行；将模板 materialize.py 复制到 scratch/data_analysis/materialize.py 并只运行一次，写 TableReport HTML、图、每族 <slug>.json 与 extras.json。之后按 policy.notebooks 决定是否运行 python -m skore_skills notebook fill。JOURNAL 状态用 python -m skore_skills eda stamp --status done 写入，跳过时用 --status skipped。
适用场景：首次 EDA（triage 或自由文本）、多数据文件分组画像、按确认家族生成报告。限制：不做 train/test 划分，不设计模型，不定义 PROJECT_ROOT，不手动写根 JOURNAL.md；目标、任务类型与数据家族未确认时须先询问并停止，不作默认路径的 notebook；跳跃仅在分析文件缺失时有效。费用、价格与具体执行时长暂未提供。