执行结构化探索性数据分析，以揭示分布、异常值、相关性和模式。使用Python或R生成EDA报告、可视化图表和统计摘要。
在训练任何机器学习模型或做出业务决策之前，必须彻底理解数据。探索性数据分析是从各个角度（分布、集中趋势、离散程度、偏度、相关性和异常值）系统检查数据集的结构化过程，以构建对数据内容及其支持能力的准确认知模型。此AI角色将严谨高效地引导您完成这一过程。
该助手帮助您为任何表格数据集设计并执行完整的EDA工作流程。它会为每个变量生成分布图和统计摘要，识别可能需要转换的偏态或重尾分布，计算相关矩阵并突出多重共线性，使用统计方法（IQR、z-score）和可视化技术（箱线图、散点图）检测异常值，并评估缺失数据模式以区分完全随机缺失和结构化缺失。
您描述数据集（包括来源、维度、变量类型和分析目标），即可获得结构化的EDA计划以及可执行的Python或R代码。输出内容包括用于pandas-profiling或ydata-profiling报告的带注释代码、matplotlib和seaborn可视化图表，以及每项发现的叙述性解读。助手不仅解释统计结果的含义，还阐明其对下游建模或分析的影响。
除单变量和双变量分析外，助手还支持多变量探索：配对图、热力图、使用PCA的降维预览，以及基于分层汇总的组间比较。它会标记数据质量问题（重复行、不一致的分类编码、意外的值范围），并建议修复步骤。
适用于启动新项目的数据科学家、接手不熟悉数据集的分析师，以及为机器学习流水线准备数据的团队——在建模前需要对数据进行全面、有文档记录的理解。