红曲数据分析助手
定位（AI 必读）
本 skill 是 AI 的工作手册，把"一份药学研究 Excel 数据 → 一份药学期刊风格 STROBE 数据分析报告（Word，含三线表+图表）"的全流程固化。它是「药学数据分析助手」的 红曲/血脂康 domain 专用分支，默认按"血脂康 vs 阿托伐他汀治疗老年原发性高脂血症：血脂达标率及安全性"的真实数据结构设计，但脚本顶部留有 CONFIG 适配块，换数据集只需改 CONFIG。
完整工作流（六步，必须按顺序执行）：
Step 1 数据体检 缺失率 / 异常值 / 日期格式 / 单位一致性 / 清洗建议清单
↓
Step 2 Table 1 两组基线可比性（连续:均值±SD 或 中位数(IQR);分类:n(%)）；每行给统计量+ P 值
↓
Step 3 主要结局 达标率 χ²+RR/RD(95%CI)；MACE 用 Cox+KM；安全性(肝酶异常)；PSM 匹配后平衡性
↓
Step 4 图表(≥4) KM 生存曲线(含 risk table) / 亚组森林图 / 随访轨迹或箱线图 / 相关性热力图 / PSM Love plot
↓
Step 5 中介效应 任务书缺变量时→机制替代变量；Bootstrap 5000 次，报间接/直接/总效应+95%CI
↓
Step 6 结论要点 3–5 条，数据驱动；文末附【图表清单】+【方法学说明】+【需人工确认事项】
> 通用统计规则（正态性判定、检验选型、PSM、Cox、Bootstrap）继承「药学数据分析助手」，本 skill 仅补充 红曲课题的已知数据陷阱 与 格式铁律。
开工前：材料矛盾核查（红曲课题特有，必须先做）
红曲课题的数据集常被套用错模板，开工前必须核对两项结构性冲突，否则整份报告建立在错误假设上：
| # | 冲突点 | 核查动作 | 处理 |
|---|---|---|---|
| 1 | 分组数不符：任务书常写"两组"，但真实数据可能是三组（血脂康单药 / 阿托伐他汀单药 / 血脂康联合） | 跑 value_counts(分组列) 看真实组数 |
与研究者确认主分析分组。默认"两单药组对照"，第三组仅作描述+敏感性分析 |
| 2 | 结局变量不存在：任务书常把"认知队列"模板（MoCA/MCI/hs-CRP/HOMA-IR）错贴到高脂血症数据 | 检查数据集列名是否含这些变量 | 不存在则改用真实结局（LDL-C 达标、MACE、肝酶异常），并在报告"研究背景与数据说明"透明披露 |
PII 处理：数据集若含姓名/身份证号/联系电话，分析前必须删除（即使标注为虚构标识），并在体检清单中登记。
单位一致性：高脂血症数据的血脂多为 mmol/L、酶为 U/L、肌酐为 μmol/L。开工前全表扫描"同一指标是否混用两种单位"，若混用，必须先换算再分析，并在报告中注明换算关系。
Step 1 · 数据体检
输出内容（写入 results.json 的 qc 键）：
- 样本量与中心数：
len(df)、就诊中心.nunique()、分组计数、入组日期跨度。 - 缺失率：对所有列算
isna().mean()*100，仅列出 >0% 的字段。注意区分"真缺失"与"设计性缺失"（如把第三组排除于两组对照导致的 group2 缺失）。 - 异常值：对年龄/BMI/血脂/CK/肌酐按生理合理范围扫描（
outlier_count(s, lo, hi)），超界计为异常。 - 日期格式：所有日期列
pd.to_datetime，检查是否混用YYYY-MM-DD/YYYY/MM/DD/ 含时间。统一为YYYY-MM-DD。 - 变量类型判断表：标识/日期/连续/二分类/有序分类/多中心分类 → 决定后续检验方法。
- 清洗建议清单（表 0）：个人标识、缺失值、单位、日期、异常值、变量类型 → 每项给"结果+处理建议"。
Step 2 · Table 1 基线特征三线表
- 连续变量：先
Shapiro–Wilk正态性检验。 - 正态 →
均数±标准差+ 独立样本 t 检验（Welch 校正），统计量记t=xx.xx。 - 偏态 →
中位数(四分位距)+ Mann–Whitney U 检验，必须报标准化 Z（见 Pitfalls①），统计量记Z=xx.xx。 - 二分类：
n(%)；理论频数≥5 用 Pearson χ²（记χ²=xx.xx），<5 用 Fisher 精确检验（记Fisher）。 - 有序/多分类（如 ASCVD 危险分层）：行×列 χ²，结果写各层
n(%)。 - 每行必须给 统计量 + P 值（P 值格式见格式铁律）。
- 三线表格式：仅 3 条横线（顶线/栏目线/底线），无竖线（实现见
references/format_spec.md）。
Step 3 · 主要结局分析 + PSM
- 主要疗效（二分类达标率）：χ² 比较率，计算 RR、RD 及其 95%CI（公式见脚本
risk_ratio/risk_diff）。 - 安全性：肝酶异常（ALT>3×ULN）同法。
- 硬终点（时间-事件）：Cox 比例风险回归报 HR + 95%CI，KM 法 + log-rank 检验，KM 必须含 at-risk 表（Pitfalls⑤）。
- PSM（控制混杂）：
- Logistic 回归估 PS；协变量含人口学+基线血脂+肝功能+合并用药+中心。
- 1:1 最近邻匹配，卡钳 =
0.2 × SD(logit PS)。 - 必须保留原始索引（Pitfalls②），否则 SMD 错位。
- 报告匹配前后各 n、最大 |SMD|（目标 <0.10），并画 Love plot。
- 匹配后重跑 Table 1（含匹配前失衡的变量）与主要结局。
Step 4 · 图表（≥4 张，图题在图下方）
| 图 | 内容 | 要点 |
|---|---|---|
| 图 1 | PSM Love plot | 匹配前后 |SMD|，虚线 0.10 参考 |
| 图 2 | KM 曲线 | 含 risk table + log-rank P |
| 图 3 | 亚组森林图 | 各层 HR(95%CI)，含 0.2/2.2 等边标线 |
| 图 4 | LDL-C 随访轨迹 / 箱线图 | 均值±SE 或 基线 vs 末次 |
| 图 5 | 多重用药相关性热力图 | Spearman，annot 显示系数 |
- 中文图用
SimHei字体（matplotlib.rcParams["font.sans-serif"]=["SimHei",...]）。 - 表题在表上方、图题在图下方（Word 汇编时控制）。
Step 5 · 中介效应（Bootstrap 5000）
- 任务书原拟中介变量（HOMA-IR/hs-CRP）在数据中常缺失 → 改用机制对应的可得变量（如 ΔLDL-C 中介 "治疗组→MACE"），并透明说明。
- Bootstrap 5000 次：间接效应
a×b、直接效应c'、总效应c，各报 95%CI（偏差校正百分位数）。 - 稳定性加固（Pitfalls④）：① 中介前先落盘已完成结果；② 预构建设计矩阵用
np.linalg.lstsq算 a 路径，避免循环内重复 patsy 解析；③ 每 1000 次gc.collect()；④ 整体try/except兜底，异常时跳过且不污染其他结果。
Step 6 · 结论要点 + 清单
- 3–5 条，数据驱动（直接引用率/HR/RR+95%CI），规避禁用词（见下）。
- 文末附【图表清单】（表0/表1/…/图1/图2/…）。
- 附【方法学说明】（可直抄进论文"统计分析"段）与【需人工确认事项】（结局替代、分组、中心数、PSM 后 |SMD| 略超阈值、罕见事件等）。
格式铁律（必须保留）
- 三线表：只有 3 条横线（顶线粗、栏目线、底线粗），禁止任何竖线。表题在表上方。
- P 值格式：
P<0.001/P=0.032（保留 3 位）/P>0.05。绝不写P=0.000。 - 数字精度：正文与表格精确到小数点后 1–2 位。
- 单位换算提醒：单位不统一的变量必须先换算再分析，并在报告"数据体检"或脚注注明换算关系。
- 图题在图下方，图内需含必要标注（KM 的 risk table、森林图的 HR 标签）。
- 禁用词（报告正文绝对禁止出现）：
根据数据显示/由此可见/结果表明具有一定/差异较为明显/呈现出一定趋势。
Pitfalls（红曲课题已踩过的 5 个坑，必须规避）
- Mann–Whitney 报标准化 Z：
scipy.stats.mannwhitneyu返回的是 U 统计量，不是 Z。需手算Z=(U−n1·n2/2)/√(n1·n2·(n1+n2+1)/12)，再报Z=xx.xx。 - PSM 索引对齐：匹配后如果用
reset_index(drop=True)再按行算 SMD，会与原始X错位导致 SMD 失真。须X.index = ps_df.index并保留iloc选出的原始索引。 - Cox 置信区间：
lifelines的summary中exp(coef) lower/upper 95%列在部分版本不可靠，必须用se(coef)重算HR=exp(coef)、CI=exp(coef±1.96·se)。森林图同样。 - Bootstrap 中介内存崩溃：5000 次循环内反复 patsy 解析公式易触发段错误/内存峰值被杀。预构建设计矩阵 +
lstsq+ 显式gc.collect()+ 预落盘 +try/except。 - KM 必须含 risk table：药学期刊硬要求。在图下方用
plt.figtext逐时点写 at-risk 人数，并给足bottom留白避免与 xlabel 重叠。
适配新数据集（换一份药学研究数据怎么用）
- 复制
scripts/analyze.py，改顶部CONFIG：
-src/out路径；sheets各逻辑表名；id_col；pii_cols；date_cols。
-group_col+two_arm_map（你的"两组"映射）+treat_name（trt=1 那组）。
-primary_var/safety_var/event_var/time_var/ldl_base/ldl_last。
-covars_cont/covars_cat/psm_vars列表。
-unit_note（写明单位核对结论）。 - 亚组定义（
build_subgroups）与中介变量（run_mediation）按新数据调整（见脚本注释）。 - 运行
analyze.py→ 生成results.json+figs/*.png。 - 复制
scripts/build_doc.py，按需改标题/封面；运行 → 生成 Word。 - 校验：表格数、图片数、禁用词命中、三线表边框（脚本见
references/format_spec.md）。
> 环境：用隔离 venv 安装 pandas numpy scipy statsmodels matplotlib seaborn scikit-learn lifelines openpyxl python-docx。详见 references/format_spec.md 末尾"环境搭建"。
触发词
红曲数据分析 / 血脂康分析报告 / STROBE 数据分析报告 / 高脂血症 RCT 出表 / 基线三线表 / 红曲 vs 他汀 KM 曲线 / 真实世界研究出报告
