shield_lock
JinDaGe
← Back to skills
extension
Category: Data & AnalyticsNo API key required

smart-data-visualization【数据可视化】

智能数据可视化工具，支持从Excel、CSV、JSON等多种数据源，以及截图、图片中提取数据，自动生成专业的交互式图表。适用于数据分析、报表制作、趋势展示等多种场景，能够智能识别数据类型、推荐最佳图表类型、提供数据分析和预警功能。

personAuthor: user_bb6620b1hubcommunity
downloadDownload package

智能数据可视化技能

概述

本技能提供了一套完整的数据可视化解决方案，能够从多种数据源（Excel、CSV、JSON、图片、截图等）智能提取数据，自动分析数据特征，推荐并生成最合适的交互式图表。

适用场景

当用户需要以下任一功能时使用本技能：

  • 从表格文件生成可视化图表（Excel、CSV、JSON、TXT）
  • 从截图或图片中提取数据并生成图表
  • 自动选择最佳图表类型（折线图、柱状图、饼图、散点图、热力图等）
  • 数据趋势分析和预测
  • 数据异常检测和预警
  • 生成专业的数据报告
  • 创建交互式仪表板
  • 数据对比和多维度分析

核心功能

1. 数据源支持

1.1 表格文件

  • Excel文件（.xlsx, .xls）

    • 自动识别Sheet页
    • 支持多Sheet处理
    • 智能识别表头位置
    • 处理合并单元格

  • CSV文件（.csv）

    • 自动识别编码（UTF-8、GBK等）
    • 自动识别分隔符（逗号、分号、制表符）
    • 处理引号包裹的数据

  • JSON文件（.json）

    • 支持嵌套结构
    • 自动展平数据
    • 数组转表格

  • 文本文件（.txt）

    • 智能识别表格结构
    • 支持固定宽度和分隔符格式

1.2 图片和截图

  • 屏幕截图

    • 直接粘贴截图
    • 从剪贴板读取
    • 自动识别表格区域

  • 图片文件（.png, .jpg, .jpeg, .bmp, .tiff）

    • OCR文字识别
    • 表格结构识别
    • 数字和日期提取

2. 智能数据分析

2.1 数据类型识别

  • 自动识别数据列类型：
    • 数值型（整数、浮点数）
    • 日期时间型
    • 分类/枚举型
    • 文本型
    • 布尔型

2.2 数据质量检查

  • 缺失值检测
  • 异常值识别（使用IQR或Z-score方法）
  • 数据一致性检查
  • 重复数据检测

2.3 统计分析

  • 基础统计量（均值、中位数、标准差、最值）
  • 分布分析
  • 相关性分析
  • 趋势分析（线性回归）

3. 智能图表推荐

根据数据特征自动推荐最佳图表类型：

| 数据特征 | 推荐图表 | 适用场景 | |---------|---------|---------| | 时间序列 + 数值 | 折线图 | 趋势展示、变化分析 | | 分类 + 数值 | 柱状图/条形图 | 对比分析、排名展示 | | 分类 + 数值（多维度） | 堆叠柱状图 | 组成分析、占比对比 | | 分类 + 数值（多个系列） | 分组柱状图 | 多系列对比 | | 分类 + 数值（占比） | 饼图/环形图 | 占比分析、构成分析 | | 数值 + 数值 | 散点图 | 相关性分析、分布展示 | | 三维数据（时间+分类+数值） | 热力图 | 多维度数据展示 | | 地理位置数据 | 地图可视化 | 区域分析、地理分布 | | 层级数据 | 树图/桑基图 | 层级结构、流向分析 | | 网络关系 | 网络图 | 关系分析、连接展示 |

4. 图表生成功能

4.1 图表类型

  • 基础图表

    • 折线图（Line Chart）
    • 柱状图（Bar Chart）
    • 条形图（Horizontal Bar Chart）
    • 饼图（Pie Chart）
    • 环形图（Donut Chart）
    • 散点图（Scatter Plot）
    • 气泡图（Bubble Chart）

  • 高级图表

    • 面积图（Area Chart）
    • 堆叠柱状图（Stacked Bar Chart）
    • 分组柱状图（Grouped Bar Chart）
    • 箱线图（Box Plot）
    • 小提琴图（Violin Plot）
    • 热力图（Heatmap）
    • 雷达图（Radar Chart）

  • 专业图表

    • 甘特图（Gantt Chart）
    • 漏斗图（Funnel Chart）
    • 桑基图（Sankey Diagram）
    • 树图（Treemap）
    • 词云图（Word Cloud）
    • 旭日图（Sunburst Chart）

4.2 交互功能

  • 图表缩放和平移
  • 图例显示/隐藏
  • 数据点悬停提示
  • 数据筛选
  • 图表切换
  • 实时数据更新
  • 导出功能（PNG、SVG、PDF）

5. 数据分析与预警

5.1 趋势分析

  • 线性回归趋势线
  • 移动平均线
  • 季节性分解
  • 趋势预测（基于历史数据）

5.2 异常检测

  • 统计学方法（Z-score、IQR）
  • 孤立森林（Isolation Forest）
  • 基于规则的异常识别
  • 异常标注和说明

5.3 预警系统

  • 阈值预警
  • 趋势预警（持续上升/下降）
  • 波动预警（标准差过大）
  • 自定义预警规则

6. 报告生成

6.1 HTML报告

  • 交互式图表
  • 多图表组合
  • 响应式设计
  • 美观的UI界面

6.2 Excel报告

  • 多Sheet组织
  • 数据和图表结合
  • 可编辑格式

6.3 PDF报告

  • 高质量导出
  • 自定义布局
  • 添加水印和logo

使用流程

阶段一：数据输入

用户提供数据，技能自动识别数据源类型：

场景1：表格文件

用户：帮我把这个Excel文件生成图表
技能：自动读取Excel文件，识别数据结构

场景2：截图/图片

用户：从这个截图生成图表
技能：OCR识别表格数据，提取数值信息

场景3：JSON数据

用户：我有JSON格式的时间序列数据，生成趋势图
技能：解析JSON，展平数据，生成时间序列图表

阶段二：数据分析

自动执行数据分析：

  1. 识别数据类型
  2. 检查数据质量
  3. 计算统计量
  4. 分析数据特征
  5. 推荐图表类型

阶段三：图表生成

根据分析结果：

  1. 选择最佳图表类型
  2. 设置合适的颜色和样式
  3. 添加图表元素（标题、图例、坐标轴）
  4. 生成交互式图表
  5. 提供数据分析说明

阶段四：报告输出

根据用户需求：

  1. 生成HTML报告（交互式）
  2. 生成Excel报告（可编辑）
  3. 生成PDF报告（正式文档）
  4. 导出图表图片

使用示例

示例1：Excel文件生成趋势图

用户输入：

我有一个包含月度销售数据的Excel文件（sales.xlsx），
帮我生成销售趋势图

技能处理：

  1. 读取Excel文件
  2. 识别"月份"列为时间序列
  3. 识别"销售额"列为数值型
  4. 推荐折线图
  5. 生成趋势图
  6. 添加趋势线和分析

输出：

  • 交互式HTML报告
  • 销售趋势折线图
  • 月度对比分析
  • 同比增长率

示例2：截图提取数据并生成对比图

用户输入：

[粘贴一张包含表格数据的截图]
帮我把这个表格数据可视化，对比各产品销量

技能处理：

  1. OCR识别截图中的表格
  2. 提取产品名称和销量数据
  3. 清洗和格式化数据
  4. 推荐柱状图进行对比
  5. 生成交互式图表

输出：

  • 产品销量对比柱状图
  • 销量排名
  • 各产品占比分析

示例3：多维度数据分析

用户输入：

我有CSV格式的员工数据，包含部门、年龄、薪资、绩效，
我想看各部门的平均薪资和绩效分布

技能处理：

  1. 读取CSV文件
  2. 按部门分组
  3. 计算平均薪资
  4. 分析绩效分布
  5. 生成多个图表

输出：

  • 部门平均薪资柱状图
  • 部门绩效分布箱线图
  • 薪资与绩效散点图
  • 部门人数对比图

示例4：时间序列预测

用户输入：

我有过去12个月的库存数据JSON文件，
帮我生成趋势图并预测未来3个月

技能处理：

  1. 读取JSON数据
  2. 分析时间序列趋势
  3. 拟合预测模型
  4. 预测未来3个月
  5. 生成趋势图和预测曲线

输出：

  • 历史库存趋势图
  • 未来3个月预测曲线
  • 趋势分析说明
  • 库存预警建议

技术实现

数据处理

  • Excel: openpyxl / pandas
  • CSV: pandas
  • JSON: json / pandas
  • 图片OCR: pytesseract / easyocr

图表生成

  • Plotly: 交互式图表
  • ECharts: 高性能图表
  • Matplotlib: 基础图表

数据分析

  • NumPy: 数值计算
  • SciPy: 统计分析
  • Scikit-learn: 机器学习（异常检测、预测）

前端展示

  • HTML/CSS/JavaScript: 交互界面
  • Plotly.js: 图表渲染
  • XLSX.js: Excel导出

配置选项

图表样式配置

chart_config = {
    "theme": "modern",  # modern, classic, dark
    "color_scheme": "default",  # default, pastel, vibrant, monochrome
    "font_size": 12,
    "show_grid": True,
    "show_legend": True
}

预警阈值配置

alert_config = {
    "threshold_high": 0.95,
    "threshold_low": 0.05,
    "trend_decline": -0.02,
    "volatility_limit": 0.02
}

输出格式

1. HTML报告（推荐）

  • 交互式图表
  • 多图表组合
  • 响应式设计
  • 无需服务器，直接打开

2. Excel报告

  • 多Sheet结构
  • 数据+图表
  • 可编辑
  • 适合二次分析

3. 图片导出

  • PNG/JPG格式
  • 高清输出
  • 适合插入文档

4. PDF报告

  • 正式文档格式
  • 自定义布局
  • 添加封面和水印

使用要点

  1. 数据质量优先

    • 确保数据准确完整
    • 缺失值会影响分析结果
    • 异常值需要人工确认

  2. 图表类型选择

    • 技能会自动推荐最佳图表类型
    • 用户可以根据需求调整
    • 不同图表适合不同场景

  3. 交互功能利用

    • 利用图表的交互功能深入分析
    • 缩放、筛选、悬停查看详情
    • 导出所需格式

  4. 报告定制

    • 根据用途选择报告格式
    • HTML适合演示和分享
    • Excel适合进一步分析
    • PDF适合正式文档

  5. 持续优化

    • 根据反馈调整分析逻辑
    • 优化图表样式
    • 添加新的图表类型

可用资源

Scripts (scripts/)

  • data_parser.py: 数据解析脚本
  • data_analyzer.py: 数据分析脚本
  • chart_generator.py: 图表生成脚本
  • report_generator.py: 报告生成脚本

使用方法参见各脚本文件内的文档说明。

References (references/)

  • chart_types.md: 图表类型说明
  • data_analysis_rules.md: 数据分析规则
  • report_templates.md: 报告模板说明

在需要详细说明时，读取相应的参考文档。

Assets (assets/)

  • templates/: 模板文件
  • examples/: 示例数据

用于生成最终的报告输出。

实施建议

  1. 首次使用

    • 从简单的表格数据开始
    • 尝试不同的数据源
    • 熟悉各种图表类型

  2. 定期使用

    • 建立数据更新机制
    • 定期生成分析报告
    • 跟踪数据变化趋势

  3. 高级应用

    • 自定义预警规则
    • 创建自动化流程
    • 集成到现有系统

  4. 团队协作

    • 分享可视化报告
    • 统一数据标准
    • 建立最佳实践

总结

本技能提供了一套智能、易用、强大的数据可视化解决方案，支持多种数据源，自动分析数据特征，推荐最佳图表类型，生成交互式可视化报告。无论是简单的数据展示，还是复杂的多维度分析，都能轻松应对。