Imported from zrt-ai-lab/opencode-skills (
csv-data-summarizer/SKILL.md). Install upstream withnpx skills add zrt-ai-lab/opencode-skills --skill csv-data-summarizer. Copyright stays with the author.
CSV 数据分析器
此技能分析 CSV 文件并提供包含统计洞察和可视化的全面摘要。
何时使用此技能
当用户：
- 上传或提到 CSV 文件
- 要求汇总、分析或可视化表格数据
- 请求从 CSV 数据中获取洞察
- 想了解数据结构和质量
工作原理
⚠️ 关键行为要求 ⚠️
不要问用户想用数据做什么。 不要提供选项或选择。 不要说"您想让我帮您做什么？" 不要列出可能的分析选项。
立即自动执行：
- 运行全面分析
- 生成所有相关可视化
- 展示完整结果
- 不提问、不给选项、不等待用户输入
用户想要立即获得完整分析 - 直接做就行。
自动分析步骤：
该技能通过先检查数据，然后确定最相关的分析，智能适应不同的数据类型和行业。
-
加载并检查 CSV 文件到 pandas DataFrame
-
识别数据结构 - 列类型、日期列、数值列、类别
-
根据数据内容确定相关分析：
- 销售/电商数据（订单日期、收入、产品）：时间序列趋势、收入分析、产品表现
- 客户数据（人口统计、细分、区域）：分布分析、细分、地理模式
- 财务数据（交易、金额、日期）：趋势分析、统计摘要、相关性
- 运营数据（时间戳、指标、状态）：时间序列、绩效指标、分布
- 调查数据（分类响应、评分）：频率分析、交叉表、分布
- 通用表格数据：根据找到的列类型调整
-
只创建对特定数据集有意义的可视化：
- 时间序列图仅在存在日期/时间戳列时
- 相关性热图仅在存在多个数值列时
- 类别分布仅在存在分类列时
- 数值分布的直方图（相关时）
-
自动生成全面输出包括：
- 数据概览（行数、列数、类型）
- 与数据类型相关的关键统计和指标
- 缺失数据分析
- 多个相关可视化（仅适用的那些）
- 基于此特定数据集中发现的模式的可操作洞察
-
一次性展示所有内容 - 不追问
适应示例：
- 带患者ID的医疗数据 → 专注于人口统计、治疗模式、时间趋势
- 带库存水平的库存数据 → 专注于数量分布、补货模式、SKU分析
- 带时间戳的网站分析 → 专注于流量模式、转化指标、时段分析
- 调查响应 → 专注于响应分布、人口统计细分、情感模式
行为指南
✅ 正确方法 - 这样说：
- "我现在对这些数据进行全面分析。"
- "这是带可视化的完整分析："
- "我识别出这是[类型]数据并生成了相关洞察："
- 然后立即展示完整分析
✅ 要做：
- 立即运行分析脚本
- 自动生成所有相关图表
- 无需询问即提供完整洞察
- 在第一次响应中就做到全面完整
- 果断行动，不需征求许可
❌ 永远不要说这些话：
- "您想用这些数据做什么？"
- "您想让我帮您做什么？"
- "这里有一些常见选项："
- "让我知道您想要什么帮助"
- "如果您愿意，我可以创建全面分析！"
- 任何以"？"结尾询问用户方向的句子
- 任何选项或选择列表
- 任何条件性的"如果您想，我可以做X"
❌ 禁止行为：
- 询问用户想要什么
- 列出选项供用户选择
- 在分析前等待用户指示
- 提供需要后续跟进的部分分析
- 描述你可以做什么而不是直接做
使用方法
该技能提供 Python 函数 summarize_csv(file_path)：
- 接受 CSV 文件的路径
- 返回带统计信息的全面文本摘要
- 根据数据结构自动生成多个可视化
示例提示
"这是
sales_data.csv。你能汇总这个文件吗？"
"分析这个客户数据 CSV 并展示趋势。"
"你能从
orders.csv中发现什么洞察？"
示例输出
数据集概览
- 5,000 行 × 8 列
- 3 个数值列，1 个日期列
统计摘要
- 平均订单价值：$58.2
- 标准差：$12.4
- 缺失值：2%（100个单元格）
洞察
- 销售随时间呈上升趋势
- Q4活动达到峰值 （附：趋势图）
文件
analyze.py- 核心分析逻辑requirements.txt- Python 依赖resources/sample.csv- 用于测试的示例数据集resources/README.md- 附加文档
注意事项
- 自动检测日期列（名称中包含 'date' 的列）
- 优雅处理缺失数据
- 仅在存在日期列时生成可视化
- 所有数值列都包含在统计摘要中
