Data Chart

Overview

将表格数据转换为交互式 ECharts HTML 图表。支持 Excel / CSV 文件和对话中粘贴的表格文本，自动完成数据结构分析 → 图表选型 → 生成 HTML → 预览交付的全流程。

工作流程

第 1 步：数据探查（必做，不要跳过）

用脚本生成数据画像，避免把整个数据集读入上下文。脚本路径以本技能目录为基准（即包含本 SKILL.md 的目录），用当前环境可用的 python3（或 python）运行：

# Excel / CSV 文件
python3 <SKILL_DIR>/scripts/profile_data.py /path/to/data.xlsx

# Excel 多 sheet 时先看 profile 里的 excel_sheets，再用 --sheet 指定
python3 <SKILL_DIR>/scripts/profile_data.py data.xlsx --sheet 1

# 粘贴的表格文本：先写入临时文件，再走 stdin
python3 <SKILL_DIR>/scripts/profile_data.py - < /tmp/pasted_table.txt

其中 <SKILL_DIR> 是本技能的实际安装目录（不同 AI 终端/工具的安装位置不同，按当前会话中加载本技能时提供的路径替换，不要假设任何固定目录）。

若缺依赖（pandas / openpyxl），装到当前 Python 环境即可，不要写死某个解释器：

python3 -m pip install --user pandas openpyxl

如果当前环境装不了（如无网络、权限受限），退而用 CSV 方式：让用户把 Excel 另存为 CSV，或直接用脚本处理 CSV/粘贴文本（CSV 解析只需要 pandas）。

脚本输出 JSON：行列数、每列类型（numeric/date/category/text）、统计值、Top 类别、样例行、图表建议。基于该输出判断列的语义（哪个是维度、哪个是指标、单位是什么）。

第 2 步：图表选型

用户指定了图表类型 → 直接用，仅在明显不合理时（如负值占比用饼图）提醒并给替代方案。
用户未指定 → 读 references/chart-selection.md，按决策树和数据画像推荐。拿不准时在同一次回复中给 2-3 个候选方案让用户挑，或直接输出多图表面板。

第 3 步：数据处理

用 Python（python3 + pandas，即当前可用的任意 Python 环境）完成聚合/透视/分箱/五值计算，产出适合直接注入 ECharts 的数组：

类别过多（饼图 >8、柱状 >20）→ Top N + "其他"
时间序列过密 → 按需重采样（resample）或加 dataZoom
箱线图五值、直方图分箱、相关性矩阵 → 全部在 Python 侧算好，参考 references/echarts-templates.md 中的代码片段

绝不要把数千行以上的原始数据直接塞进 HTML，先聚合。

第 4 步：生成 HTML

参照 references/echarts-templates.md 的骨架和配置片段生成单个自包含 HTML 文件（ECharts 走 jsdelivr CDN）。必须遵守：

标题 + 数据口径说明；轴带单位；tooltip 数值格式化
含 toolbox（saveAsImage 让用户可导出 PNG）和 resize 监听
涨跌类数据红涨绿跌（中国股市惯例）；金额默认 ¥、千分位
多图表时放在一个 HTML 中，上下排列或用 tab 切换
保存到当前工作目录，文件名有意义（如 sales_trend_2026.html）

第 5 步：交付

用当前 AI 终端自带的文件预览/呈现能力打开 HTML 预览（如 present_files、内置浏览器预览等，按当前环境实际可用的工具选择；都没有就直接给出文件的绝对路径，提示用户用浏览器打开）。同时用一两句话说明图表结论（从数据里读出的关键发现，而不只是"图已生成"）。

Resources

scripts/profile_data.py — 数据画像脚本：类型推断、统计、图表建议。支持 xlsx/xls/csv/tsv/txt 和 stdin 粘贴文本；能识别 ¥/%/万/亿数字、"2026年1月"式中文日期。
references/chart-selection.md — 图表选型决策树、按分析目的的选型表、常见坑。
references/echarts-templates.md — 自包含 HTML 骨架、10+ 种图表的 ECharts 配置片段、数据注入与质检清单。