关于 data-analysis
面向研究者的 Claude 技能，可根据数据和研究假设生成统计分析代码，并进行四轮审查。附带统计比较与 P 值格式化脚本。
主要功能
- 01统计摘要与组间比较
- 02按数据类型推荐检验
- 03报告效应量与显著性
- 04四轮分析代码审查
- 05格式化 P 值
适用场景
- 01比较实验结果中的不同方法
- 02检查统计假设与数据预处理
- 03将 P 值格式化为 CSV 或 LaTeX
安装
复制下面的命令，在终端中运行。
$
npx skills add https:/安装后在 Claude Code 中输入/data-analysis确认已加载。
包含的文件
除 SKILL.md 外，安装时一起下载的参考资料和脚本。
references/review-prompts.mdscripts/format_pvalue.pystat_summary.py详细介绍
数据分析
通过多轮审查生成严谨的统计分析代码。
输入
$0— 数据源（CSV、JSON、pickle 或实验日志）$1— 要验证的研究目标或假设
参考资料
- 4 轮代码审查提示词：
~/.claude/skills/data-analysis/references/review-prompts.md
脚本
统计摘要与比较
python ~/.claude/skills/data-analysis/scripts/stat_summary.py --input results.csv --compare method --metric accuracy --output summary.json
python ~/.claude/skills/data-analysis/scripts/stat_summary.py --input results.csv --describe
检测数据类型，推荐检验方法，执行比较，并输出效应量和显著性星号。需要 numpy、scipy。
格式化 p 值
python ~/.claude/skills/data-analysis/scripts/format_pvalue.py --values "0.001 0.05 0.23" --format stars
python ~/.claude/skills/data-analysis/scripts/format_pvalue.py --csv results.csv --column pvalue --format latex
使用星号、LaTeX 表示法或纯文本格式化 p 值。仅使用标准库。
工作流
第 1 步：生成分析代码
按以下部分组织代码：
# IMPORT— pandas、numpy、scipy、statsmodels、sklearn# LOAD DATA— 从原始数据文件加载数据# DATASET PREPARATIONS— 缺失值、单位、排除标准# DESCRIPTIVE STATISTICS— 按需生成汇总表# PREPROCESSING— 虚拟变量、归一化# ANALYSIS— 按假设执行统计检验# SAVE ADDITIONAL RESULTS— 将额外结果保存为 pickle
第 2 步：4 轮代码审查
- 第 1 轮 — 代码缺陷：数学或统计错误、计算错误、无意义的检验
- 第 2 轮 — 数据处理：缺失值、单位、预处理、检验选择
- 第 3 轮 — 逐表审查：数值是否合理、不确定性度量、缺失数据
- 第 4 轮 — 跨表审查：完整性、一致性、缺失变量
第 3 步：生成结果
- 每个名义值都必须附带不确定性（CI、STD 或 p 值）
- 统计检验必须适用于数据类型
- 结果必须与实际数据相符，绝不捏造
允许使用的包
pandas、numpy、scipy、statsmodels、sklearn、pickle
统计检验选择
| 数据类型 | 检验 |
|---|---|
| 两组，正态分布 | 独立样本 t 检验 |
| 两组，非正态分布 | Mann-Whitney U 检验 |
| 配对样本 | 配对 t 检验 / Wilcoxon 检验 |
| 多组 | ANOVA / Kruskal-Wallis 检验 |
| 分类数据 | 卡方检验 / Fisher 精确检验 |
| 相关性 | Pearson / Spearman |
| 回归 | OLS / Logistic / 混合效应 |
规则
- 始终报告统计检验的 p 值
- 控制相关混杂变量
- 使用包内置功能（例如，使用
formula = "y ~ a * b"表示交互作用） - 不要手动实现已有的统计函数
- 使用基于字符串的列名访问数据框，而不是使用整数索引
相关技能
评论
支持 Markdown