用途：让 AI 智能体对结构化数据集执行严谨的统计分析，回答明确问题并输出可执行结论。
主要能力：加载并剖析数据（形状、列类型、内存占用、首尾行）；计算数值列的均值、中位数、标准差、偏度、峰度及分类列的频数与众数；对时间序列做滚动平均、百分比变化和季节性分解，对非时序数据用分组聚合与透视表；计算 Pearson 与 Spearman 相关矩阵，执行 t 检验、卡方、ANOVA 等假设检验并报告 p 值与置信区间；用 IQR 和 z 分数检测异常值；最后用通俗语言汇总发现，按业务影响或统计显著性排序，并说明局限。
支持技术：pandas（加载、处理、聚合）、scipy.stats（假设检验、分布）、statsmodels（时序分解、回归）、numpy（数值计算）。
使用方式：向智能体提供数据集文件路径和分析目标，可选指定关注列、显著性水平（默认 alpha=0.05）以及是否应用时序方法。
适用场景：销售数据分析、月度收入趋势与季节性分解、变量间相关性研究、假设验证等。
限制与注意事项：计算前须检查原始数据，避免分隔符或编码错误导致结果失效；报告 p 值时应同时给出效应量；数据严重偏斜或样本量小时改用非参数检验（Mann-Whitney、Kruskal-Wallis）；按有意义类别分段分析以避免辛普森悖论；明确记录平稳性、正态性、独立性等假设；对异常发现用留出样本或替代方法验证。边界情况：目标列缺失超过 30% 时提示插补偏差；偏度绝对值超过 2.0 时建议对数变换或中位数统计；两个预测变量相关性高于 0.9 时提示多重共线性；样本量小于 30 时改用精确检验或自助法；单列混合类型时谨慎转换并报告无法转换的数量。