数据画像工具 (Data Profiler)

自动化数据质量体检工具。读入 CSV/Excel 文件，对每个字段做描述性统计，按 5 个维度打出质量分(0-100)，标记数据问题，输出 HTML 报告。

能力边界

支持的能力

• 输入格式：CSV、XLSX、XLS
• 自动识别列类型：数值型(numeric)、分类型(categorical/text)、日期型(datetime)、布尔型(boolean)
• 数值列统计：均值/中位数/标准差/最小/最大/Q1/Q3/IQR/全距/偏度/峰度/变异系数(CV)/零值比例/负值比例
• 异常值检测：IQR 法（温和异常 1.5xIQR + 极端异常 3.0xIQR）
• 分类列统计：频率分布(Top 10)、高基数检测(>50 唯一值)
• 文本列统计：最短/最长/均值/中位数长度、空字符串计数
• 模式识别：自动检测 Email、URL、手机号(中国大陆)字段
• 日期列统计：最小/最大日期、时间跨度天数
• 布尔列统计：True/False 计数与比例
• Spearman/Pearson 相关系数矩阵：输出 Top 20 强相关列对
• 5 维质量评分（满分 100）：完整性(30分)、唯一性(15分)、一致性(20分)、有效性(20分)、时效性(15分)
• 自动标记质量问题：高缺失率、日期格式不一致、大小写/空白重复、混入类型、极端异常值、年龄/百分比范围异常、数据超期
• 输出自包含 HTML 报告
• 自动跳过缺失率 > 90% 的列
• --sample 参数控制最大采样行数（默认 50000）

不支持的能力

• 不支持数据库直连（MySQL/PostgreSQL 等），需先导出为 CSV/Excel
• 不支持数据清洗/修复，仅诊断不治疗
• 不支持自定义质量规则/阈值（需修改源码中的常量）
• 不支持流式/增量分析，每次全量加载到内存（大文件建议降采样）
• 不生成图表(PNG/SVG/JS chart)，HTML 报告为纯表格+文字
• 不支持多 Sheet Excel 自动合并（仅读取第一个 Sheet）
• 不支持除 CSV/XLSX/XLS 之外的数据格式（如 JSON、Parquet、Feather）
• 无 Web 界面，纯 CLI

触发条件

当用户提出以下意图时调用此 Skill：
- "帮我分析这个 CSV 的数据质量"
- "检查这个 Excel 文件有没有异常值"
- "生成数据体检报告"
- "数据画像" / "数据质量检测"
- "看看这个表有哪些问题"
- "统计一下每个字段的基本信息"
- "data profiling" / "数据描述统计"

使用示例

# 基本用法
python profile.py sales_data.csv

# 指定输出路径
python profile.py data.xlsx --output reports/sales_report.html

# 限制采样行数（处理大文件）
python profile.py large_file.csv --sample 50000

输出示例（质量评分）

数据质量评分: 82.5 / 100 [A (Very Good)]

维度分解:
  完整性   28.5 / 30  (缺失率: 2.3%)
  唯一性   13.0 / 15  (ID列唯一率: 99.2%)
  一致性   16.0 / 20  (检测到2处日期格式不一致)
  有效性   15.0 / 20  (金额列存在5个极端异常值)
  时效性    9.0 / 15  (最新数据: 30天前)

问题标记 (Flags):
  - Column 'birth_date' 有 3 种不同日期格式
  - Column 'amount' 有 42 个极端异常值(5.2%)超出 3*IQR
  - Column 'status' 存在大小写不一致的重复值
  - Column 'user_rating' 存在超出 [0,100] 范围的值: 23 行

FAQ

Q1: 我的 Excel 有多个 Sheet，会分析哪些？

当前只分析第一个 Sheet。如需分析其他 Sheet，请先将其导出为独立 CSV 文件。

Q2: 数据量很大(>100万行)会怎样？

默认采样前 50000 行（可通过 --sample 调整）。全量加载会受内存限制，建议对大文件使用默认采样值。

Q3: 质量评分各维度权重能自定义吗？

当前权重固定（完整性30/唯一性15/一致性20/有效性20/时效性15）。需修改 data_profiler/quality.py 中各 _score_* 函数的系数。

Q4: 报告中的异常值是怎么判定的？

数值列使用 Tukey IQR 方法：温和异常 = 超出 Q1-1.5*IQR 或 Q3+1.5*IQR，极端异常 = 超出 Q1-3*IQR 或 Q3+3*IQR。有效性维度还额外检查年龄(>120)、百分比率(>100)、极端异常值占比(>5%)等情况。

Q5: 相关性分析用的是哪种方法？

默认 Spearman 秩相关（对非线性关系更鲁棒），可通过 compute_correlation(method="pearson") 切换为 Pearson 线性相关。仅对数值列计算。

Q6: 输出报告里包含原始数据吗？

不包含。报告仅包含聚合统计值（计数、比例、频率 Top-N 等），不会泄露原始数据行。

Q7: 能否跳过某些列？

当前版本没有内置的列过滤参数。如需跳过，可预先在 Excel/CSV 中删除不需要分析的列再运行。

技术栈