name: data-analysis-workflow description: Standardized data analysis workflow integrating data-analysis, statistical-analysis, scientific-visualization and other skills. Provides complete data analysis process from data import to result reporting with 6 stages. license: MIT License metadata: skill-author: academic-assistant version: 1.0.0 created: 2026-03-14

Data Analysis Workflow

Overview

標準化資料分析工作流，整合多個數據分析技能，提供從資料匯入到結果報告的完整流程。

6 Workflow Stages

1. 資料匯入與檢查 (5-10 分鐘)

• 資料維度檢查
• 變數型別檢查
• 缺失值檢測
• 異常值檢測

使用技能: data-analysis, pandas

2. 資料清洗與預處理 (15-30 分鐘)

• 缺失值處理
• 異常值處理
• 變數轉換
• 資料標準化

使用技能: data-analysis, pandas

3. 描述統計與探索 (20-40 分鐘)

• 集中趨勢（均值、中位數）
• 離散程度（標準差、範圍）
• 分佈形態（偏度、峰度）
• 相關分析

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

4. 推斷統計分析 (30-60 分鐘)

• 統計檢驗選擇
• 假設條件檢查
• 執行統計檢驗
• 效應量計算

使用技能: statistical-analysis, scipy

5. 視覺化呈現 (20-40 分鐘)

• 統計圖表（seaborn）
• 定製圖表（matplotlib）
• 出版級圖表（scientific-visualization）

使用技能: seaborn, matplotlib, scientific-visualization

6. 結果報告 (15-30 分鐘)

• APA 格式報告
• 結果解釋
• 圖表整合

使用技能: statistical-analysis, scientific-visualization

Analysis Types

實驗資料分析 (experimental)

適用場景: - 隨機對照試驗 - 組間比較 - 前後測設計

統計檢驗: - t 檢驗（獨立/配對） - ANOVA（單因素/多因素） - 卡方檢驗

視覺化: - 箱線圖 - 小提琴圖 - 條形圖（帶誤差線）

調查資料分析 (survey)

適用場景: - 問卷調查 - 相關研究 - 預測模型

統計檢驗: - 相關分析（Pearson/Spearman） - 迴歸分析（線性/邏輯） - 因子分析

視覺化: - 熱力圖 - 散點圖 - 直方圖

探索性資料分析 (exploratory)

適用場景: - 初步資料探索 - 特徵工程 - 假設生成

統計檢驗: - 描述統計 - 相關分析

視覺化: - 配對圖（pairplot） - 分佈圖 - 相關矩陣

Usage

基本使用

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

# 僅描述統計
python data_analysis_workflow.py --file data.csv --stage 3

# 僅統計檢驗
python data_analysis_workflow.py --file data.csv --stage 4 --test anova

# 生成視覺化
python data_analysis_workflow.py --file data.csv --stage 5 --plot boxplot

高階使用

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

# 批次分析
python data_analysis_workflow.py --input-dir data/ --output-dir results/

# 出版級圖表
python data_analysis_workflow.py --file data.csv --publication-quality --journal nature

Statistical Tests

t 檢驗

適用場景: 比較兩組均值

假設條件: - 正態性 - 方差齊性 - 獨立性

APA 報告:

進行獨立樣本 t 檢驗，結果顯示兩組之間存在顯著差異，
t(58) = 2.45, p = .017, d = 0.63, 95% CI [0.12, 1.14]。

ANOVA

適用場景: 比較三組及以上均值

假設條件: - 正態性 - 方差齊性 - 獨立性

APA 報告:

進行單因素方差分析，結果顯示三組之間存在顯著差異，
F(2, 87) = 5.67, p = .005, η² = 0.12。

相關分析

適用場景: 評估變數間關係

型別: - Pearson 相關（連續變數，正態分佈） - Spearman 相關（等級變數，非正態）

APA 報告:

Pearson 相關分析顯示，變數 X 與變數 Y 呈顯著正相關，
r(98) = .45, p < .001, 95% CI [.28, .59]。

Quality Checks

資料質量

分析質量

Best Practices

最佳實踐

1. 先探索後檢驗
2. 先做 EDA
3. 瞭解資料特徵

4. 再選擇統計方法

5. 檢查假設條件

6. 正態性
7. 方差齊性

8. 獨立性

9. 報告效應量

10. 不僅報告 p 值
11. 還要報告效應量

12. 提供置信區間

13. 視覺化呈現

14. 圖表清晰
15. 標註完整
16. 符合出版標準

避免錯誤

1. 檢驗誤用
2. ❌ 非引數資料用引數檢驗

3. ✅ 先檢查假設條件

4. 忽略效應量

5. ❌ 只報告 p 值

6. ✅ 報告效應量和 CI

7. 視覺化不當

8. ❌ 3D 餅圖

9. ✅ 簡潔清晰的圖表

   發現更多技能外掛，請訪問7w4.net。

10. 過度解讀

11. ❌ 相關=因果
12. ✅ 謹慎解釋結果

Integration

與文獻搜尋配合

literature-search-workflow: 負責文獻搜尋
data-analysis-workflow: 負責資料分析
paper-writing-workflow: 負責論文寫作

與論文寫作配合

data-analysis-workflow: 負責資料分析
statistical-analysis: 負責統計檢驗
scientific-visualization: 負責圖表生成
paper-writing-workflow: 負責整合到論文

Examples

示例 1: 實驗資料分析

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

輸出: - 資料概覽 - 描述統計表 - t 檢驗/ANOVA 結果 - 箱線圖/小提琴圖 - APA 格式報告

示例 2: 調查資料分析

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

輸出: - 樣本特徵 - 相關矩陣 - 迴歸分析結果 - 熱力圖/散點圖 - APA 格式報告

示例 3: 探索性資料分析

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

輸出: - 資料概覽 - 缺失值分析 - 分佈視覺化 - 相關分析 - EDA 報告

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
建立時間: 2026-03-14
維護者: academic-assistant
下次更新: 功能改進時

高效資料分析，從標準化工作流開始！📊🔬

這個 Skill 的文件和結構設計不錯，流程劃分清晰，但實際能用的功能比較有限。它的說明文件很詳細，但核心程式碼只能做基本的資料載入和列印資訊，統計分析和圖表生成等功能實際上沒有實現。需要配合其他技能才能完整使用，單用這個包可能達不到預期效果。