Imported from ZFF00/claude-config (skills/data-analysis-workflow/SKILL.md). Install upstream with npx skills add ZFF00/claude-config --skill data-analysis-workflow. Copyright stays with the author (MIT License).

Data Analysis Workflow

Overview

标准化数据分析工作流，整合多个数据分析技能，提供从数据导入到结果报告的完整流程。

6 Workflow Stages

1. 数据导入与检查 (5-10 分钟)

数据维度检查
变量类型检查
缺失值检测
异常值检测

使用技能: data-analysis, pandas

2. 数据清洗与预处理 (15-30 分钟)

缺失值处理
异常值处理
变量转换
数据标准化

使用技能: data-analysis, pandas

3. 描述统计与探索 (20-40 分钟)

集中趋势（均值、中位数）
离散程度（标准差、范围）
分布形态（偏度、峰度）
相关分析

使用技能: data-analysis, seaborn, exploratory-data-analysis

4. 推断统计分析 (30-60 分钟)

统计检验选择
假设条件检查
执行统计检验
效应量计算

使用技能: statistical-analysis, scipy

5. 可视化呈现 (20-40 分钟)

统计图表（seaborn）
定制图表（matplotlib）
出版级图表（scientific-visualization）

使用技能: seaborn, matplotlib, scientific-visualization

6. 结果报告 (15-30 分钟)

APA 格式报告
结果解释
图表整合

使用技能: statistical-analysis, scientific-visualization

Analysis Types

实验数据分析 (experimental)

适用场景:

随机对照试验
组间比较
前后测设计

统计检验:

t 检验（独立/配对）
ANOVA（单因素/多因素）
卡方检验

可视化:

箱线图
小提琴图
条形图（带误差线）

调查数据分析 (survey)

适用场景:

问卷调查
相关研究
预测模型

统计检验:

相关分析（Pearson/Spearman）
回归分析（线性/逻辑）
因子分析

可视化:

热力图
散点图
直方图

探索性数据分析 (exploratory)

适用场景:

初步数据探索
特征工程
假设生成

统计检验:

描述统计
相关分析

可视化:

配对图（pairplot）
分布图
相关矩阵

Usage

基本使用

# 完整分析流程
python data_analysis_workflow.py --file data.csv --type experimental

# 仅描述统计
python data_analysis_workflow.py --file data.csv --stage 3

# 仅统计检验
python data_analysis_workflow.py --file data.csv --stage 4 --test anova

# 生成可视化
python data_analysis_workflow.py --file data.csv --stage 5 --plot boxplot

高级使用

# 指定输出格式
python data_analysis_workflow.py --file data.csv --output report.md --format APA

# 批量分析
python data_analysis_workflow.py --input-dir data/ --output-dir results/

# 出版级图表
python data_analysis_workflow.py --file data.csv --publication-quality --journal nature

Statistical Tests

t 检验

适用场景: 比较两组均值

假设条件:

正态性
方差齐性
独立性

APA 报告:

进行独立样本 t 检验，结果显示两组之间存在显著差异，
t(58) = 2.45, p = .017, d = 0.63, 95% CI [0.12, 1.14]。

ANOVA

适用场景: 比较三组及以上均值

假设条件:

正态性
方差齐性
独立性

APA 报告:

进行单因素方差分析，结果显示三组之间存在显著差异，
F(2, 87) = 5.67, p = .005, η² = 0.12。

Quality Checks

数据质量

指标	优秀	良好	需改进
缺失值	<5%	5-10%	>10%
异常值	<1%	1-5%	>5%
正态性	符合	近似	不符合
方差齐性	符合	近似	不符合

分析质量

指标	优秀	良好	需改进
检验选择	完全适当	基本适当	不适当
假设检查	完整	部分	缺失
效应量	包含	部分	缺失
可视化	出版级	清晰	需改进
报告格式	APA 规范	基本规范	不规范

Best Practices

最佳实践

先探索后检验
- 先做 EDA
- 了解数据特征
- 再选择统计方法
检查假设条件
- 正态性
- 方差齐性
- 独立性
报告效应量
- 不仅报告 p 值
- 还要报告效应量
- 提供置信区间
可视化呈现
- 图表清晰
- 标注完整
- 符合出版标准

避免错误

检验误用
- ❌ 非参数数据用参数检验
- ✅ 先检查假设条件
忽略效应量
- ❌ 只报告 p 值
- ✅ 报告效应量和 CI
可视化不当
- ❌ 3D 饼图
- ✅ 简洁清晰的图表
过度解读
- ❌ 相关=因果
- ✅ 谨慎解释结果

Integration

与文献搜索配合

literature-search-workflow: 负责文献搜索
data-analysis-workflow: 负责数据分析
paper-writing-workflow: 负责论文写作

与论文写作配合

data-analysis-workflow: 负责数据分析
statistical-analysis: 负责统计检验
scientific-visualization: 负责图表生成
paper-writing-workflow: 负责整合到论文

Examples

示例 1: 实验数据分析

python data_analysis_workflow.py \
  --file experiment_data.csv \
  --type experimental \
  --output experiment_report.md

输出:

数据概览
描述统计表
t 检验/ANOVA 结果
箱线图/小提琴图
APA 格式报告

示例 2: 调查数据分析

python data_analysis_workflow.py \
  --file survey_data.csv \
  --type survey \
  --output survey_report.md

输出:

样本特征
相关矩阵
回归分析结果
热力图/散点图
APA 格式报告

示例 3: 探索性数据分析

python data_analysis_workflow.py \
  --file data.csv \
  --type exploratory \
  --output eda_report.md

输出:

数据概览
缺失值分析
分布可视化
相关分析
EDA 报告

References

APA Style: https://apastyle.apa.org/
Effect Size: https://www.cohen.com/
Statistical Power: https://www.gpower.com/
Scientific Visualization: https://matplotlib.org/

技能版本: v1.0.0
创建时间: 2026-03-14
维护者: academic-assistant
下次更新: 功能改进时

*高效数据分析，从标准化工作流开始！*📊🔬

data-analysis-workflow

About