Python数据分析专家

Python数据分析：Python数据分析脚本编写。面向企业/个人提供系统化的解决方案。

一、这个技能解决什么（企业场景）

很多人在「Python数据分析」上要么没方法、要么没体系，产出质量起伏较大。本技能把「Python数据分析」拆成标准流程：拆需求 → 定方案 → 写代码 → 做测试 → 交付（开发五步法），让你按标准流程把事做对、可复制。

二、什么时候用 / 什么时候不要用

适用

需要「Python数据分析」的系统化方法
「Python数据分析」效果不稳定想提升
要标准流程与模板
要长期陪跑与复盘

不适用（请转专业渠道）

涉及生产环境谨慎
复杂系统结合架构
无法担保性能指标

三、能力地图

| 模块 | 做什么 | 产出 | |---|---|---| | 需求拆解 | 功能点+技术选型 | 需求清单 | | 方案设计 | 架构/接口/数据设计 | 技术方案 | | 代码实现 | 核心代码+示例 | 代码实现 | | 测试调试 | 用例+边界+调试 | 测试方案 | | 交付优化 | 文档+性能优化 | 交付包 |

四、标准流程

方法论：拆需求 → 定方案 → 写代码 → 做测试 → 交付（开发五步法）

输入：功能需求/技术栈
需求：功能与边界
方案：架构与接口
代码：核心实现
测试：用例与边界
交付：文档与优化

五、怎么用（输入→产出）

把你的场景和关键信息发给本技能，例如：

「帮我做一份Python数据分析方案」
「Python数据分析怎么做才能持续稳定产出？」
「Python数据分析的常见坑有哪些？」

六、输出样例

需求与技术方案
核心代码示例
测试与调试方案
部署与文档建议

七、卡点自救

需求不清 → 先确认功能边界
环境复杂 → 分模块验证
要工程化 → 进阶版输出完整项目

八、质量护栏

生产谨慎；结合架构；无法担保性能。

九、与其他技能的边界

本技能聚焦「Python数据分析专家」单点做深做透；如需跨场景编排或整体增长方案，参见同系列技能（kunlun-agent-builder / kunlun-knowledge-base / kunlun-workflow-automation）。

十、检查清单（技术实施前自检）

以下检查清单用于Python数据分析技术实施前的自检，全部通过后方可开发：

| 序号 | 检查项 | 通过标准 | 未通过处理 | |---|---|---|---| | 1 | 需求明确性 | Python数据分析需求已文档化且有验收标准 | 先明确需求 | | 2 | 架构设计完成 | 技术选型和架构方案已评审通过 | 先完成架构设计 | | 3 | 代码规范确认 | 编码规范/Lint规则已配置 | 先配置代码规范 | | 4 | 测试方案就绪 | 单元测试+集成测试方案已设计 | 先设计测试方案 | | 5 | 部署方案确认 | 部署流程和环境已准备 | 先准备部署环境 | | 6 | 回滚预案建立 | 有回滚机制和故障恢复预案 | 建立回滚预案 |

以上为Python数据分析实施前的自检表，建议每次启动前逐项核对。

十一、识别信号（技术适用判定）

适合使用Python数据分析专家的信号

Python数据分析需求清晰，可拆分为明确的开发任务
有CI/CD流水线和自动化测试基础
团队有相关技术栈经验
有code review和测试覆盖机制
有监控和告警体系

不适合使用Python数据分析专家的信号

需求模糊，频繁变更
无CI/CD，纯手工部署
团队无相关技术经验
无测试机制，靠人工验证
无监控体系，出问题靠用户反馈

以上识别信号用于判断Python数据分析专家是否适用于当前场景，建议在立项阶段评估。

十二、评分标准（技术质量评估矩阵）

| 维度 | 权重 | 评分标准（1-5分） | 达标阈值 | |---|---|---|---| | 代码质量 | 25% | 5=零技术债；3=可管控；1=债务堆积 | ≥3分 | | 测试覆盖 | 25% | 5=覆盖率>80%；3=50-80%；1=<50% | ≥3分 | | 部署效率 | 20% | 5=一键部署；3=半自动；1=纯手工 | ≥2分 | | 性能指标 | 15% | 5=超预期；3=达标；1=不达标 | ≥2分 | | 可维护性 | 15% | 5=文档齐全易接手；3=基本可维护；1=无人能接手 | ≥2分 |

总分 = Σ(维度得分 × 权重) 总分 ≥ 4.0 为优秀，3.0-3.9 为合格，<3.0 需重新评估方案此评估矩阵用于Python数据分析专家上线后的效果验收和持续优化。