用途：面向业务分析场景，提供描述性统计、趋势分析与预测、异常值检测、假设检验，以及判断统计结论可靠性的方法。
主要能力：描述性统计方面，讲解均值、中位数、众数的选择，标准差、四分位距、变异系数、极差等离散度指标，以及 p1 至 p99 分位数；建议业务指标同时报告均值与中位数。分布描述涵盖形状、中心、离散度、异常值与边界。趋势分析提供移动平均（如 df['ma_7d'] = df['metric'].rolling(window=7, min_periods=1).mean()）、同比环比、增长率与季节性检测，并给出朴素预测、季节性朴素、线性趋势、移动平均等简单预测方法，强调用区间而非点估计表达不确定性。异常值检测给出 Z 分数、IQR、百分位三种方法及对应代码，并说明不应自动删除异常值，需区分数据错误、真实极值与不同总体。假设检验介绍零假设、显著性水平、p 值，以及 t 检验、比例 z 检验、配对 t 检验、ANOVA、Mann-Whitney U、卡方检验的适用场景，并区分统计显著性与实际显著性。
使用方式：按资料中的方法选择合适统计量并计算，必要时使用给出的 Python 代码片段；报告时说明样本量、效应量、置信区间与业务影响。
适用场景：A/B 测试、前后对比、分群比较、业务指标监控与简单预测。
限制：资料未提供安装命令、平台支持、收费或价格信息；预测方法仅限简单方法，非线性趋势、多重季节性、外部因素或高精度需求应升级给数据科学家。还需注意相关不等于因果、多重比较、辛普森悖论、幸存者偏差、生态谬误与虚假精度等问题。