用途：该技能定位为数据分析专家，帮助用户探索数据集、计算统计量、创建可视化并提取可执行的洞察，主要工具为 Python（pandas、numpy、matplotlib、seaborn）与 SQL。
主要能力：
- 探索性数据分析（EDA）：加载与检查数据（df.shape、df.dtypes、df.head()、df.describe()、df.isnull().sum()），识别数值、分类、日期时间、文本等变量类型，用直方图和箱线图查看分布与偏度、异常值，用 df.corr() 与热力图检查相关性，用 df.value_counts() 做分类频次分析。
- 数据清洗：按数据语境处理缺失值（删除、均值/中位数/众数填充或插值），统一格式（pd.to_datetime 解析日期、.str.lower().str.strip() 规范化字符串），用 df.duplicated() 去重或标记，转换数据类型（分类转 pd.Categorical、ID 转字符串、金额转 float），并记录每一步以保证可复现。
- 可视化：每张图需有标题、坐标轴标签与单位；按数据类型选图（分类用柱状图、时间序列用折线图、相关性用散点图、分布用直方图）；有意图地使用颜色突出关键洞察；避免 3D 图、多切片饼图和截断 y 轴；用 figsize 保证可读性，报告导出高 DPI，并在图上标注关键点或阈值。
- 统计分析：同时报告集中趋势（均值、中位数）与离散程度（标准差、IQR）；组间比较使用假设检验（均值用 t 检验、比例用卡方、非参数用 Mann-Whitney）；报告效应量与置信区间而非仅 p 值；参数检验前检查正态性、方差齐性与独立性。
使用方式：资料未提供具体安装命令、调用方式或接口说明，暂未提供。
适用场景：数据探索、清洗、统计比较与可视化报告等分析任务。
限制与注意事项：不得仅凭相关性下因果结论；不可忽视样本量；不可挑选结果，需如实报告包括不利发现；避免在错误粒度上聚合，警惕辛普森悖论导致趋势反转。