进行独立样本 t 检验，结果显示两组之间存在显著差异，
t(58) = 2.45, p = .017, d = 0.63, 95% CI [0.12, 1.14]。

进行单因素方差分析，结果显示三组之间存在显著差异，
F(2, 87) = 5.67, p = .005, η² = 0.12。

Pearson 相关分析显示，变量 X 与变量 Y 呈显著正相关，
r(98) = .45, p < .001, 95% CI [.28, .59]。

数据分析工作流

概述

标准化数据分析工作流，整合多个数据分析技能，提供从数据导入到结果报告的完整流程。

6 个工作流阶段

1. 数据导入与检查（5-10 分钟）

• - 数据维度检查
• 变量类型检查
• 缺失值检测
• 异常值检测

使用技能：data-analysis、pandas

---

2. 数据清洗与预处理（15-30 分钟）

• - 缺失值处理
• 异常值处理
• 变量转换
• 数据标准化

使用技能：data-analysis、pandas

---

3. 描述统计与探索（20-40 分钟）

• - 集中趋势（均值、中位数）
• 离散程度（标准差、范围）
• 分布形态（偏度、峰度）
• 相关分析

使用技能：data-analysis、seaborn、exploratory-data-analysis

---

4. 推断统计分析（30-60 分钟）

• - 统计检验选择
• 假设条件检查
• 执行统计检验
• 效应量计算

使用技能：statistical-analysis、scipy

---

5. 可视化呈现（20-40 分钟）

• - 统计图表（seaborn）
• 定制图表（matplotlib）
• 出版级图表（scientific-visualization）

使用技能：seaborn、matplotlib、scientific-visualization

---

6. 结果报告（15-30 分钟）

• - APA 格式报告
• 结果解释
• 图表整合

使用技能：statistical-analysis、scientific-visualization

---

分析类型

实验数据分析（experimental）

适用场景：

• - 随机对照试验
• 组间比较
• 前后测设计

统计检验：

• - t 检验（独立/配对）
• ANOVA（单因素/多因素）
• 卡方检验

可视化：

• - 箱线图
• 小提琴图
• 条形图（带误差线）

---

调查数据分析（survey）

适用场景：

• - 问卷调查
• 相关研究
• 预测模型

统计检验：

• - 相关分析（Pearson/Spearman）
• 回归分析（线性/逻辑）
• 因子分析

可视化：

• - 热力图
• 散点图
• 直方图

---

探索性数据分析（exploratory）

适用场景：

• - 初步数据探索
• 特征工程
• 假设生成

统计检验：

• - 描述统计
• 相关分析

可视化：

• - 配对图（pairplot）
• 分布图
• 相关矩阵

---

用法

基本用法

bash

完整分析流程

python dataanalysisworkflow.py --file data.csv --type experimental

仅描述统计

python dataanalysisworkflow.py --file data.csv --stage 3

仅统计检验

python dataanalysisworkflow.py --file data.csv --stage 4 --test anova

生成可视化

python dataanalysisworkflow.py --file data.csv --stage 5 --plot boxplot

---

高级用法

bash

指定输出格式

python dataanalysisworkflow.py --file data.csv --output report.md --format APA

批量分析

python dataanalysisworkflow.py --input-dir data/ --output-dir results/

出版级图表

python dataanalysisworkflow.py --file data.csv --publication-quality --journal nature

---

统计检验

t 检验

适用场景：比较两组均值

假设条件：

• - 正态性
• 方差齐性
• 独立性

APA 报告：

进行独立样本 t 检验，结果显示两组之间存在显著差异，
t(58) = 2.45, p = .017, d = 0.63, 95% CI [0.12, 1.14]。

---

ANOVA

适用场景：比较三组及以上均值

假设条件：

• - 正态性
• 方差齐性
• 独立性

APA 报告：

进行单因素方差分析，结果显示三组之间存在显著差异，
F(2, 87) = 5.67, p = .005, η² = 0.12。

---

相关分析

适用场景：评估变量间关系

类型：

• - Pearson 相关（连续变量，正态分布）
• Spearman 相关（等级变量，非正态）

APA 报告：

Pearson 相关分析显示，变量 X 与变量 Y 呈显著正相关，
r(98) = .45, p < .001, 95% CI [.28, .59]。

---

质量检查

数据质量

指标	优秀	良好	需改进
缺失值	<5%	5-10%	>10%
异常值

<1% | 1-5% | >5% | | 正态性 | 符合 | 近似 | 不符合 | | 方差齐性 | 符合 | 近似 | 不符合 |

---

分析质量

指标	优秀	良好	需改进
检验选择	完全适当	基本适当	不适当
假设检查

完整 | 部分 | 缺失 | | 效应量 | 包含 | 部分 | 缺失 | | 可视化 | 出版级 | 清晰 | 需改进 | | 报告格式 | APA 规范 | 基本规范 | 不规范 |

---

最佳实践

最佳实践

1. 1. 先探索后检验

- 先做 EDA - 了解数据特征 - 再选择统计方法

1. 2. 检查假设条件

- 正态性 - 方差齐性 - 独立性

1. 3. 报告效应量

- 不仅报告 p 值 - 还要报告效应量 - 提供置信区间

1. 4. 可视化呈现

- 图表清晰 - 标注完整 - 符合出版标准

---

避免错误

1. 1. 检验误用

- ❌ 非参数数据用参数检验 - ✅ 先检查假设条件

1. 2. 忽略效应量

- ❌ 只报告 p 值 - ✅ 报告效应量和 CI

1. 3. 可视化不当

- ❌ 3D 饼图 - ✅ 简洁清晰的图表

1. 4. 过度解读

- ❌ 相关=因果 - ✅ 谨慎解释结果

---

集成

与文献搜索配合

literature-search-workflow：负责文献搜索
data-analysis-workflow：负责数据分析
paper-writing-workflow：负责论文写作

---

与论文写作配合

data-analysis-workflow：负责数据分析
statistical-analysis：负责统计检验
scientific-visualization：负责图表生成
paper-writing-workflow：负责整合到论文

---

示例

示例 1：实验数据分析

bash
python dataanalysisworkflow.py \
--file experiment_data.csv \
--type experimental \
--output experiment_report.md

输出：

• - 数据概览
• 描述统计表
• t 检验/ANOVA 结果
• 箱线图/小提琴图
• APA 格式报告

---

示例 2：调查数据分析

bash
python dataanalysisworkflow.py \
--file survey_data.csv \
--type survey \
--output survey_report.md

输出：

• - 样本特征
• 相关矩阵
• 回归分析结果
• 热力图/散点图
• APA 格式报告

---

示例 3：探索性数据分析

bash
python dataanalysisworkflow.py \
--file data.csv \
--type exploratory \
--output eda_report.md

输出：

• - 数据概览
• 缺失值分析
• 分布可视化
• 相关分析
• EDA 报告

---

参考文献

• - APA Style：https://apastyle.apa.org/
• Effect Size：https://www.cohen.com/
• Statistical Power：https://www.gpower.com/
• Scientific Visualization：https://matplotlib.org/

---

技能版本：v1.0.0 创建时间：2026-03-14 维护者：academic-assistant 下次更新：功能改进时

---

高效数据分析，从标准化工作流开始！📊🔬