AutoViz 是一个用于自动探索性数据分析（EDA）与可视化的 Python 技能，其定位是用一行代码完成快速的数据探索，自动生成全面图表、检测模式、识别离群点，并可将图表导出为发布可用或可在会议中使用的形式。
适用场景 资料列出适合使用 AutoViz 的情形包括：需要对新数据集进行快速 EDA；开始分析不熟悉的数据；自动发现变量之间的关系（模式发现）；为利益相关者会议快速准备图表；处理大型数据集时利用内置抽样高效分析；理解特征的分布与重要性；无需手动绘图即可寻找相关性；生成并导出完整的 HTML 报告。
不适合的场景 资料同时明确列出不宜使用 AutoViz 的情形：需要高度定制化的图表设计；需要交互式仪表盘（应改用 Streamlit 或 Dash）；实时数据或流式可视化需求；用于自动化管道的生产系统图表（应使用 Plotly 或 Altair）；需要严格的统计假设检验；标准 EDA 之外的专业领域专用图表。
前置条件与安装 基础安装命令为 pip install autoviz。若需要所有可视化后端，可执行 pip install autoviz matplotlib seaborn plotly bokeh。使用 uv（推荐）时，可执行 uv pip install autoviz pandas matplotlib seaborn plotly。若需 Jupyter notebook 支持，可执行 pip install autoviz ipywidgets notebook。验证安装的命令为：python -c "from autoviz import AutoViz_Class; print('AutoViz ready!')"。
核心能力与使用方式 基础的一行式 EDA 通过 from autoviz import AutoViz_Class 导入后，初始化 AV = AutoViz_Class()，再调用 AV.AutoViz()。该方法可接收 filename、sep、depVar（可选目标变量）、dfte（直接传入 DataFrame）、header、verbose（0 最小、1 中等、2 详细）、lowess、chart_format、max_rows_analyzed、max_cols_analyzed 等参数，并返回一个 DataFrame。也可以直接从 pandas DataFrame 传入，例如设置 filename="" 并通过 dfte=df 传入数据。
带目标变量的分析 可指定 depVar 以聚焦分析，例如分类目标或连续型回归目标。资料给出了分类数据集与回归数据集（如房价）的示例，并说明设置 verbose=2 可获得更详细输出。
图表格式与输出选项 chart_format 支持多种格式：svg（矢量、可缩放）、png（位图、适合演示）、html（交互式、面向网页）、bokeh（Bokeh 交互式图）、server（用于 Jupyter notebook 内联）。还可以通过 save_plot_dir 参数将图表保存到指定目录，例如 os.makedirs 创建目录后传入该参数。
大型数据集处理 通过 max_rows_analyzed 控制抽样行数、max_cols_analyzed 限制分析列数来应对大数据量；verbose 设为 0 可减少输出以提升速度。资料还给出了一个内存友好的分析函数示例，通过 skiprows 抽样读取大文件后再运行 AutoViz。
特征分析与分布图 AutoViz 会自动检测分布类型、为数值特征生成直方图和箱线图、为分类特征生成条形图，并高亮潜在离群点。对分类特征会生成条形图、交叉制表可视化以及类别与数值变量的图表。
相关性检测 AutoViz 会生成相关性热力图、为高相关变量对生成散点图，以及特征关系的成对图；还可通过 lowess=True 开启 lowess 平滑以观察非线性趋势。
离群点检测与高亮 资料说明 AutoViz 会自动使用 IQR 方法检测离群点，在箱线图中高亮，在散点图中显示，并报告离群点数量。资料还提供了一个自定义离群点分析包装函数，在可视化前先计算每个数值列的 Q1、Q3、IQR、上下界、离群点数量、百分比及最小/最大值。
导出到 HTML 与 Notebook 可通过 chart_format="html" 与 save_plot_dir 生成 HTML 图表，并可将结果整理为汇总 HTML 报告；资料给出了一个 generate_html_report 函数示例，用于生成包含摘要与图表的报告页面。
限制 除上述不适用场景外，资料未提供关于收费、价格或具体性能指标的更多信息；部分事实（如官方文本、收费情况、平台兼容性细节）暂未提供。