数据工具箱（免费版）

概述

本工具箱覆盖数据处理的完整生命周期：从多源数据提取，到清洗转换，再到探索性分析与基础可视化。无论你是写 SQL 查询、清洗脏数据、生成统计摘要还是制作图表，本工具均能提供标准化流程与优秀实践指导. 免费版聚焦核心数据处理能力，适合个人开发者的日常数据分析需求。专业版在此基础上扩展统计检验、数据质量监控、工作流自动化与高级可视化.

核心能力

核心功能执行

用input_params参数进行配置.

处理: 解析核心功能执行的输入参数,完成核心逻辑,返回结构化响应. 输出: 返回核心功能执行的响应数据,包含状态码、结果和日志.

• 执行此能力时使用input_params参数,支持创建/查询/导出操作

参数配置与调用

用config_options参数进行配置.

处理: 解析参数配置与调用的输入参数,完成核心逻辑,返回结构化响应. 输出: 返回参数配置与调用的响应数据,包含状态码、结果和日志.

• 执行此能力时使用config_options参数,支持修改/重置/导入操作

结果处理与输出

用output_format参数进行配置.

处理: 解析结果处理与输出的输入参数,完成核心逻辑,返回结构化响应. 输出: 返回结果处理与输出的响应数据,包含状态码、结果和日志.

• 执行此能力时使用output_format参数,支持导出/保存/转换操作 能力覆盖范围：本skill的核心能力覆盖以下场景关键词：数据全生命周期工、覆盖提取、分析与基础可视化、数据工具箱免费版、是一款面向个人开、发者的数据全生命、周期处理工具、覆盖数据提取、探索性分析与基础、可视化四大核心环、Use、when、需要数据分析、报表生成、统计洞察、数据可视化时使用、不适用于实时流数、据处理、适用于独立开发者、企业团队和自动化、工作流场景等。这些关键词对应description中声明的使用场景,均已在上述能力点中提供对应的操作支持.

使用场景

场景一：分析师探索新数据集（分析师）

分析师拿到一份新的销售数据 CSV，需要快速了解数据全貌。Agent 引导完成首次探索：

用户："这份 sales.csv 里有什么有意思的模式？"
Agent：
1. 加载数据，检查形状与类型
2. 生成描述性统计（均值、中位数、分位数）
3. 检查数据质量（空值率、重复率、异常值）
4. 分析时间趋势与品类分布
5. 输出关键发现摘要

场景二：工程师清洗与加载数据（工程师）

工程师需要将一份脏数据清洗后加载至数据库。Agent 生成完整的清洗脚本：

import pandas as pd
# ...
# 加载数据
df = pd.read_csv('raw_data.csv')
# ...
# 空值处理：数值列填充中位数，分类列填充众数
df['amount'] = df['amount'].fillna(df['amount'].median())
df['category'] = df['category'].fillna(df['category'].mode()[0])
# ...
# 去重
df = df.drop_duplicates(subset=['order_id'])
# ...
# 标准化日期格式
df['date'] = pd.to_datetime(df['date'], errors='coerce')
# ...
# 输出清洗报告
print(f"原始行数: {len(pd.read_csv('raw_data.csv'))}")
print(f"清洗后行数: {len(df)}")
print(f"空值率: {df.isnull().sum().sum() / df.size * 100:.2f}%")

场景三：业务用户查看 KPI（业务）

业务用户需要对比本季度与上季度的关键指标。Agent 用自然语言解释数据：

用户："本季度和上季度比怎么样？"
Agent："本季度收入 1280 万，环比增长 15.3%，主要驱动因素为新用户增长 22%..."

快速开始

60 秒上手

直接向 Agent 描述你的数据任务，无需安装额外依赖（基础功能使用 Python 内置库与 pandas）. 示例提问：

帮我写一个 SQL 查询，统计过去 30 天每日注册用户数

这份 CSV 有哪些空值和重复数据？帮我清洗

帮我画一个最近 7 天收入趋势的折线图

使用流程

1. 识别数据源（数据库、文件、API）
2. 建立连接或加载文件
3. 初始探索性分析（形状、类型、质量）
4. 按需清洗与转换
5. 根据目标分析或可视化

按角色快速入口

响应解析: 完成完成后,查看输出响应确认任务状态。成功时输出包含解析摘要和响应数据;失败时根据错误信息排查问题,查阅错误解析章节获取恢复步骤.

示例

SQL 查询生成

-- 统计过去 30 天每日注册用户数
SELECT
  DATE(created_at) AS day,
  COUNT(*) AS signups
FROM users
WHERE created_at >= NOW() - INTERVAL '30 days'
GROUP BY DATE(created_at)
ORDER BY day;

数据清洗模板

# 空值策略
# 数值列：填充中位数（抗异常值）
# 分类列：填充众数（保留分布）
# 时间列：标记为 NaT 后按业务规则处理
# ...
# 去重策略
# 基于业务主键去重，保留最新记录
df = df.sort_values('updated_at').drop_duplicates('id', keep='last')
# ...
# 异常值检测
# 使用 IQR 方法识别极端值
Q1, Q3 = df['amount'].quantile([0.25, 0.75])
IQR = Q3 - Q1
outliers = df[(df['amount'] < Q1 - 1.5*IQR) | (df['amount'] > Q3 + 1.5*IQR)]

基础可视化

import matplotlib.pyplot as plt
# ...
# 折线图：趋势
df.plot(x='date', y='revenue', kind='line', title='收入趋势')
plt.savefig('revenue_trend.png', dpi=150, bbox_inches='tight')
# ...
# 柱状图：对比
df.groupby('category')['amount'].sum().plot(kind='bar', title='品类销售')
plt.savefig('category_sales.png', dpi=150, bbox_inches='tight')
# ...
# 饼图：占比
df.groupby('channel')['amount'].sum().plot(kind='pie', autopct='%1.1f%%')
plt.savefig('channel_share.png', dpi=150, bbox_inches='tight')

优秀实践

1. 转换前预览

应用任何转换前先预览将受影响的行，确认后再执行。避免盲目操作导致数据丢失：

# 预览将被删除的行
to_drop = df[df['amount'].isnull()]
print(f"将删除 {len(to_drop)} 行空值记录")
print(to_drop.head())
# 确认后执行
df = df.dropna(subset=['amount'])

2. 记录转换谱系

每个转换操作记录来源、操作与理由，确保可追溯：

transformations = []
transformations.append({
  'step': 1,
  'source': 'raw_data.csv',
  'operation': 'fill_null',
  'field': 'amount',
  'strategy': 'median',
  'reason': '金额字段空值率 3.2%，中位数抗异常值'
})

3. 校验数据类型与范围

分析前必须校验数据类型与取值范围，避免"垃圾进垃圾出"：

# 类型检查
assert df['amount'].dtype in ['float64', 'int64']
# 范围检查
assert df['amount'].min() >= 0  # 金额不应为负

4. 图表类型匹配数据类型

常见问题

Q1：SQL 查询太慢？

检查执行计划，关注全表扫描与缺失索引。常见优化：为 WHERE/JOIN/GROUP BY 字段添加索引、避免 SELECT *、使用分区表。对于 PostgreSQL，可使用 EXPLAIN ANALYZE 查看实际执行计划.

Q2：CSV 文件太大加载不了？

使用分块读取：pd.read_csv('big.csv', chunksize=10000)。或使用 Dask 等并行框架处理超大数据集.

Q3：空值应该删除还是填充？

取决于空值率与业务含义。空值率低于 5% 可考虑删除；5%-30% 建议填充（数值用中位数、分类用众数）；超过 30% 需评估字段是否可用.

Q4：如何判断异常值？

常用 IQR 方法：超出 Q1-1.5×IQR 或 Q3+1.5×IQR 的为异常值。也可结合业务规则（如金额为负、年龄超过 150）综合判断.

Q5：图表中文乱码？

matplotlib 默认字体不支持中文，需指定中文字体：

plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False

依赖说明

运行环境

• Agent 平台：支持 SKILL.md 的任意 AI Agent（Claude Code / Cursor / Codex / Gemini CLI 等）
• 操作系统：Windows / macOS / Linux
• Python：3.9 及以上版本

依赖详情

API Key 配置

• 数据库连接串通过环境变量注入（如 DATABASE_URL）
• API 数据源的 Token 存储于环境变量
• 禁止在脚本中硬编码数据库密码或 API Key

可用性分类

• 分类：MD+EXEC（纯 Markdown 指令，核心功能需 exec 命令行执行能力）
• 说明：基于 Markdown 的 AI Skill，通过自然语言指令驱动 Agent 执行数据处理任务

已知限制

本免费体验版限制以下高级功能：

• 不包含统计检验与假设检验（t 检验、卡方、ANOVA 等）
• 不包含数据质量监控与漂移检测
• 不包含工作流自动化与定时任务
• 不包含高级可视化（热力图、桑基图、交互式图表）
• 不包含数据血缘追踪与转换谱系管理
• 不包含多数据源连接与 JOIN 优化
• 不提供优先技术支持与 SLA 保障

解锁全部功能请使用专业版：data-toolkit-pro

• 当前为免费版本,如需完整功能请升级到付费版获取全部能力

错误处理

输出格式

{
  "success": true,
  "data": {
    "result": "数据工具箱(免费版)处理结果",
    "execution_time": "0.5s",
    "metadata": {
      "version": "1.0",
      "processor": "datakit"
    }
  },
  "execution_log": ["解析输入参数", "执行核心处理", "格式化输出结果"],
  "error": null
}