📊 Data Analyst Pro - 专业数据分析技能包#

从数据到洞察，让 AI 成为你的数据分析师

---

🎯 这个技能能帮你做什么？#

✅ SQL 查询生成 - 自动生成复杂 SQL 查询 ✅ 数据分析 - Python/Pandas 自动化分析 ✅ 数据可视化 - 自动生成图表和报告 ✅ 数据清洗 - 处理缺失值、异常值 ✅ 统计分析 - 描述性统计、相关性分析 ✅ 自动化报告 - 生成专业分析报告

---

📚 包含内容#

第一部分：SQL 查询模式（30+ 模板）#

基础查询

sql

-- 数据探索
SELECT COUNT(*) FROM table_name;
SELECT * FROM table_name LIMIT 10;

-- 列统计
SELECT
    column_name,
    COUNT(*) as count,
    COUNT(DISTINCT column_name) as unique_values,
    MIN(column_name) as min_val,
    MAX(column_name) as max_val
FROM table_name
GROUP BY column_name;

时间序列分析

sql

-- 日聚合
SELECT
    DATE(created_at) as date,
    COUNT(*) as daily_count,
    SUM(amount) as daily_total
FROM transactions
GROUP BY DATE(created_at)
ORDER BY date DESC;

-- 环比增长
SELECT
    DATE_TRUNC('month', created_at) as month,
    COUNT(*) as count,
    LAG(COUNT(*)) OVER (ORDER BY DATE_TRUNC('month', created_at)) as prev_month,
    (COUNT(*) - LAG(COUNT(*)) OVER (ORDER BY DATE_TRUNC('month', created_at))) /
        NULLIF(LAG(COUNT(*)) OVER (ORDER BY DATE_TRUNC('month', created_at)), 0) * 100 as growth_pct
FROM transactions
GROUP BY DATE_TRUNC('month', created_at)
ORDER BY month;

漏斗分析

sql

-- 转化漏斗
WITH funnel AS (
    SELECT
        COUNT(DISTINCT CASE WHEN event = 'page_view' THEN user_id END) as views,
        COUNT(DISTINCT CASE WHEN event = 'signup' THEN user_id END) as signups,
        COUNT(DISTINCT CASE WHEN event = 'purchase' THEN user_id END) as purchases
    FROM events
    WHERE date >= CURRENT_DATE - INTERVAL '30 days'
)
SELECT
    views,
    signups,
    ROUND(signups * 100.0 / NULLIF(views, 0), 2) as signup_rate,
    purchases,
    ROUND(purchases * 100.0 / NULLIF(signups, 0), 2) as purchase_rate
FROM funnel;

用户分层

sql

-- RFM 分析
WITH rfm AS (
    SELECT
        user_id,
        DATEDIFF(CURRENT_DATE, MAX(order_date)) as recency,
        COUNT(*) as frequency,
        SUM(amount) as monetary
    FROM orders
    GROUP BY user_id
)
SELECT
    CASE
        WHEN recency <= 30 THEN 'Active'
        WHEN recency <= 90 THEN 'Churning'
        ELSE 'Churned'
    END as segment,
    COUNT(*) as users,
    AVG(frequency) as avg_frequency,
    AVG(monetary) as avg_monetary
FROM rfm
GROUP BY segment;

---

第二部分：Python 数据分析#

Pandas 快速操作

python

import pandas as pd

# 加载数据
df = pd.read_csv('data.csv')

# 基础探索
print(df.shape)  # (rows, columns)
print(df.info())  # 列类型和空值
print(df.describe())  # 统计摘要

# 数据清洗
df = df.drop_duplicates()
df['date'] = pd.to_datetime(df['date'])
df['amount'] = df['amount'].fillna(0)

# 聚合分析
summary = df.groupby('category').agg({
    'amount': ['sum', 'mean', 'count'],
    'quantity': 'sum'
}).round(2)

# 导出
summary.to_csv('analysis_output.csv')

常用分析模式

python

# 过滤
filtered = df[df['status'] == 'active']
filtered = df[df['amount'] > 1000]
filtered = df[df['date'].between('2024-01-01', '2024-12-31')]

# 聚合
by_category = df.groupby('category')['amount'].sum()
pivot = df.pivot_table(values='amount', index='month', columns='category', aggfunc='sum')

# 窗口函数
df['running_total'] = df['amount'].cumsum()
df['pct_change'] = df['amount'].pct_change()
df['rolling_avg'] = df['amount'].rolling(window=7).mean()

# 合并
merged = pd.merge(df1, df2, on='id', how='left')

---

第三部分：数据可视化#

图表选择指南

数据类型最佳图表使用场景时间趋势折线图展示模式/变化类别比较柱状图比较离散类别占比关系饼图/环形图展示比例（≤5类）分布直方图理解数据分布相关性散点图两个变量关系多类别横向柱状图排名或比较

Python 可视化代码

python

import matplotlib.pyplot as plt
import seaborn as sns

# 设置样式
plt.style.use('seaborn-v0_8-whitegrid')
sns.set_palette("husl")

# 折线图（趋势）
plt.figure(figsize=(10, 6))
plt.plot(df['date'], df['value'], marker='o')
plt.title('Trend Over Time')
plt.xlabel('Date')
plt.ylabel('Value')
plt.xticks(rotation=45)
plt.tight_layout()
plt.savefig('trend.png', dpi=150)

# 柱状图（比较）
plt.figure(figsize=(10, 6))
sns.barplot(data=df, x='category', y='amount')
plt.title('Amount by Category')
plt.xticks(rotation=45)
plt.tight_layout()
plt.savefig('comparison.png', dpi=150)

# 热力图（相关性）
plt.figure(figsize=(10, 8))
sns.heatmap(df.corr(), annot=True, cmap='coolwarm', center=0)
plt.title('Correlation Matrix')
plt.tight_layout()
plt.savefig('correlation.png', dpi=150)

---

第四部分：统计检验速查#

检验使用场景PythonT检验比较两个均值scipy.stats.ttest_ind(a, b)卡方检验分类变量独立性scipy.stats.chi2_contingency(table)ANOVA比较3+个均值scipy.stats.f_oneway(a, b, c)Pearson线性相关scipy.stats.pearsonr(x, y)

---

第五部分：自动化报告生成#

报告模板

markdown

# [报告名称]
**周期:** [日期范围]
**生成时间:** [日期]

## 执行摘要
[2-3句话总结关键发现]

## 关键指标

| 指标 | 当前值 | 上期值 | 变化 |
|------|--------|--------|------|
| [指标] | [值] | [值] | [+/-X%] |

## 详细分析

### [部分1]
[分析和支持数据]

### [部分2]
[分析和支持数据]

## 可视化
[插入图表]

## 洞察
1. **[洞察]**: [支持证据]
2. **[洞察]**: [支持证据]

## 建议
1. [可执行建议]
2. [可执行建议]

## 方法论
- 数据源: [源]
- 日期范围: [范围]
- 过滤器: [过滤器]
- 已知限制: [限制]

---

🚀 快速开始#

场景1：生成 SQL 查询#

text

用户：帮我写一个查询，找出过去30天每天的新用户数

AI：
SELECT
    DATE(created_at) as date,
    COUNT(DISTINCT user_id) as new_users
FROM users
WHERE created_at >= CURRENT_DATE - INTERVAL '30 days'
GROUP BY DATE(created_at)
ORDER BY date DESC;

场景2：数据分析#

text

用户：分析这个 CSV 文件的销售趋势

AI：
[自动加载 CSV]
[生成统计摘要]
[创建趋势图]
[生成报告]

关键发现：
- 月均增长：+15%
- 最佳品类：电子产品（+42%）
- 销售高峰：周末

场景3：自动化报告#

text

用户：生成本周销售报告

AI：
# 销售周报（2026-04-01 至 2026-04-07）

## 执行摘要
本周销售额 $45,000，环比增长 12%。新客户增长 23%。

## 关键指标
| 指标 | 本周 | 上周 | 变化 |
|------|------|------|------|
| 销售额 | $45,000 | $40,200 | +12% |
| 订单数 | 230 | 210 | +9.5% |
| 平均订单价值 | $196 | $191 | +2.6% |

[继续...]

---

💡 特色功能#

1. 智能数据类型识别#

text

自动识别：
- 日期字段
- 数值字段
- 分类字段
- 文本字段

根据数据类型推荐分析类型

2. 异常检测#

text

自动检测：
- 缺失值
- 重复值
- 异常值
- 数据类型错误

提供清洗建议

3. 可视化推荐#

text

根据数据自动推荐：
- 最佳图表类型
- 颜色方案
- 布局建议

---

🎁 购买即得#

1. 30+ SQL 查询模板
2. 完整 Python 分析代码库
3. 20+ 可视化模板
4. 自动化报告生成器
5. 统计检验速查表
6. 终身更新
7. 技术支持

---

📊 适用场景#

场景推荐度说明数据分析师⭐⭐⭐⭐⭐日常工作必备产品经理⭐⭐⭐⭐数据驱动决策市场营销⭐⭐⭐⭐ROI 分析创业者⭐⭐⭐⭐业务数据分析学生⭐⭐⭐⭐⭐学习数据分析

---

⚠️ 数据安全#

• ✅ 所有分析在本地执行
• ✅ 不上传数据到外部服务器
• ✅ 完全隐私保护

---

🔧 版本历史#

• v1.0.0 (2026-04-05): 首次发布

---

立即购买，让 AI 成为你的数据分析师！ 🚀