data-analysis

データ分析 - 統計計算とインサイト

このスキルを使用する場面

次の場合にこのスキルを有効にします：

• ユーザーが「データ分析」、「統計」、「指標の計算」、「データインサイト」と言及したとき
• 構造化データ（CSV、JSON、データベース）を分析する必要があるとき
• 統計、傾向、パターンを計算するとき
• 財務分析（リターン、ボラティリティ、テクニカル指標）
• ビジネス分析（売上、ユーザー行動、KPI）
• 科学データの処理や仮説検定

ワークフロー

1. データの取得

⚠️ 重要：ファイル名の要件

• ファイル名に中国語文字や非 ASCII 文字を含めてはいけません
• 英字、数字、アンダースコア、ハイフンのみを使用してください
• 例：data.csv、sales_report_2025.xlsx、analysis_results.json
• ❌ 無効な例：销售数据.csv、数据文件.xlsx、報表.json
• これにより、異なるシステム間の互換性を確保し、エンコーディングの問題を防げます

データがすでにある場合：

• ファイル（CSV、JSON、Excel）から読み込みます
• 利用可能な場合はデータベースにクエリします

ファイル名に中国語文字が含まれている場合：

• ファイル名を英語／ASCII 文字に変更するようユーザーに依頼します
• または、エージェントのディレクトリに保存する際にファイル名を変更します

データがない場合：

• data-base スキルを自動的に有効にします
• 必要なデータをスクレイピング／収集します
• 構造化形式で保存します

2. 要件の確認

ユーザーに次のことを尋ねます：

• どのような問いに答えたいですか？
• どの指標が重要ですか？
• 結果はどのような形式にしますか？（要約、グラフ、レポート）
• 特定の統計手法はありますか？

3. 分析

一般的な分析：

• 記述統計（平均、中央値、標準偏差、パーセンタイル）
• 分布分析（ヒストグラム、箱ひげ図）
• 相関分析
• グループ比較

財務分析：

• リターンの計算（単純、対数、累積）
• リスク指標（ボラティリティ、VaR、シャープレシオ）
• テクニカル指標（MA、RSI、MACD）
• ポートフォリオ分析

ビジネス分析：

• 傾向分析（成長率、前年比、前月比）
• コホート分析
• ファネル分析
• A/B テスト

科学分析：

• 仮説検定（t 検定、カイ二乗検定、ANOVA）
• 回帰分析
• 時系列分析
• 統計的有意性

4. 出力

次の形式で結果を生成します：

• 要約統計量：主要指標をまとめた表
• グラフ：PNG ファイルとして保存
• レポート：分析結果を記載した Markdown
• データ：再利用できるように処理済みの CSV／JSON

Python 環境

必要に応じて仮想環境を自動で初期化してから、実行します：

cd skills/data-analysis

if [ ! -f ".venv/bin/python" ]; then
    echo "Creating Python environment..."
    ./setup.sh
fi

.venv/bin/python your_script.py

セットアップスクリプトは、pandas、numpy、scipy、scikit-learn、statsmodels と、中国語フォントのサポートを自動でインストールします。

分析シナリオ

一般データ

import pandas as pd

# Load and summarize
df = pd.read_csv('data.csv')
summary = df.describe()
correlations = df.corr()

財務データ

# Calculate returns
df['return'] = df['price'].pct_change()

# Risk metrics
volatility = df['return'].std() * (252 ** 0.5)
sharpe = df['return'].mean() / df['return'].std() * (252 ** 0.5)

ビジネスデータ

# Group by category
grouped = df.groupby('category').agg({
    'revenue': ['sum', 'mean', 'count']
})

# Growth rate
df['growth'] = df['revenue'].pct_change()

科学データ

from scipy import stats

# T-test
t_stat, p_value = stats.ttest_ind(group_a, group_b)

# Regression
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X, y)

ファイルパスの規則

一時出力（セッション単位）

現在のディレクトリに書き込まれたファイルは、セッションディレクトリに保存されます：

import time
from datetime import datetime

# Use timestamp for unique filenames (avoid conflicts)
timestamp = datetime.now().strftime('%Y%m%d_%H%M%S')

# Charts and temporary files
plt.savefig(f'analysis_{timestamp}.png')      # → $KODE_AGENT_DIR/analysis_20250115_143022.png
df.to_csv(f'results_{timestamp}.csv')        # → $KODE_AGENT_DIR/results_20250115_143022.csv

複数の分析を実行する際の競合を避けるため、必ず一意のファイル名を使用してください：

• タイムスタンプを使用します：analysis_20250115_143022.png
• 内容がわかる名前とタイムスタンプを使用します：sales_report_q1_2025.csv
• スクリプトにはランダムなサフィックスを使用します：script_{random.randint(1000,9999)}.py

ユーザーデータ（永続）

永続的なユーザーデータには $KODE_USER_DIR を使用します：

import os
user_dir = os.getenv('KODE_USER_DIR')

# Save to user memory
memory_file = f"{user_dir}/.memory/facts/preferences.jsonl"

# Read from knowledge base
knowledge_dir = f"{user_dir}/.knowledge/docs"

環境変数

• KODE_AGENT_DIR：一時出力（グラフ、分析結果）用のセッションディレクトリ
• KODE_USER_DIR：永続ストレージ（メモリ、ナレッジ、設定）用のユーザーデータディレクトリ

ベストプラクティス

• ファイル名は ASCII 文字のみを使用してください：ファイル名に中国語や非 ASCII 文字を含めないでください
• 最初に必ずデータを確認してください：df.head()、df.info()、df.describe()
• 欠損値を処理してください：状況に応じて削除または補完します
• 前提を確認してください：正規性、独立性など
• 可視化してください：グラフは表では見えにくいパターンを明らかにします
• 分析結果を記録してください：指標とその意味を説明します
• 正しいパスを使用してください：一時出力には現在のディレクトリを、永続データには $KODE_USER_DIR を使用します

クイックリファレンス

• REFERENCE.md - pandas/numpy API リファレンス
• references/financial.md - 財務分析のレシピ
• references/business.md - ビジネス分析のレシピ
• references/scientific.md - 統計的検定の手法
• references/templates.md - コードテンプレート

環境のセットアップ

このスキルでは Python スクリプトを使用します。環境をセットアップするには、次の手順を実行します。

# Navigate to the skill directory
cd apps/assistant/skills/data-analysis

# Run the setup script (creates venv and installs dependencies)
./setup.sh

# Activate the environment
source .venv/bin/activate

セットアップスクリプトは次の処理を行います。

• .venv/ に Python 仮想環境を作成します
• 必要なパッケージ（pandas、numpy、scipy、scikit-learn、statsmodels）をインストールします

スキルの環境で Python スクリプトを実行するには、次の手順を実行します。

# Use the virtual environment's Python
.venv/bin/python script.py

# Or activate first, then run normally
source .venv/bin/activate
python script.py