数据分析 - 你的数据有答案，CellCog 找到它们

从上传的文件中进行数据分析与可视化。

大多数 AI 工具在你询问数据时只会返回代码。而 CellCog 直接返回实际结果——包括图表、清洗后的数据集、统计报告和可视化仪表板。只需上传混乱的 CSV 文件并给出简短提示，CellCog 的编码代理便会自动探索数据，发现其中的模式，并以美观的方式呈现。全程支持完整 Python 操作，涵盖数据清洗、建模评估等全流程任务。

如何使用

在会话中首次使用 CellCog 时，请先阅读 cellcog 技能文档以获取完整 SDK 参考——包括文件处理、聊天模式、超时设置等信息。

OpenClaw（即发即忘）模式：

result = client.create_chat(
    prompt="[你的任务提示]",
    notify_session_key="agent:main:main",
    task_label="my-task",
    chat_mode="agent",
)

除 OpenClaw 外的所有代理（阻塞等待完成）：

from cellcog import CellCogClient
client = CellCogClient(agent_provider="openclaw|cursor|claude-code|codex|...")
result = client.create_chat(
    prompt="[你的任务提示]",
    task_label="my-task",
    chat_mode="agent",
)
print(result["message"])

为什么 Data-Cog 不同于其他工具

代码是工具，不是输出

其他 AI 工具给你的是 Python 代码并说“运行这个”。而 CellCog 会为你执行代码，直接交付结果：

你上传数据，得到答案。代码在后台自动运行。

你可以完成的数据工作

探索性数据分析（EDA）

快速理解数据：

• 数据集概览：“分析这个 CSV —— 分布情况、缺失值、异常值、相关性及数据质量摘要”
• 模式发现：“这份销售数据中存在哪些趋势和规律？给我惊喜。”
• 异常检测：“找出这份服务器日志中的异常模式——什么看起来不正常？”
• 关系分析：“在这个数据集中，哪些因素最强烈地影响客户流失？”

示例提示：

“分析这个数据集：

<SHOW_FILE>/path/to/customer_data.csv</SHOW_FILE>

我对这个数据了解不多。请提供：

• 总体概况：行数、列数、数据类型、缺失值情况
• 关键分布与统计摘要
• 最有趣的关联关系
• 是否存在异常值或数据质量问题
• 3-5 个突出的发现

以交互式 HTML 报告形式呈现，包含图表。”

数据清洗与转换

将混乱数据整理成可用格式：

• 清理脏数据：“清理这个 CSV —— 修复不一致的日期格式，处理缺失值，删除重复项，统一列名”
• 数据转换：“将这份交易数据按产品类别汇总为月度报表”
• 数据合并：“根据 customer_id 合并这三个 CSV 文件，生成统一数据集”
• 特征工程：“从这份原始数据中创建可用于房价预测的有用特征”

示例提示：

“清理并转换这个数据集：

<SHOW_FILE>/path/to/messy_data.csv</SHOW_FILE>

已知问题：

• 日期格式混杂（MM/DD/YYYY 和 YYYY-MM-DD）
• 'Revenue' 列包含美元符号和逗号
• 存在重复行
• 'Region' 列有缺失值

清洗后返回干净的 CSV，并附上修改说明。”

统计分析

严谨的数值分析：

• 假设检验：“我们的 A/B 变体之间转化率是否存在显著差异？”
• 回归分析：“哪些因素能预测该 HR 数据集中的员工薪资？构建回归模型。”
• 时间序列分析：“分析这份月度收入数据——趋势、季节性，并预测未来 6 个月”
• 用户分群分析：“按注册月份制作用户留存的分群分析”

示例提示：

“我们在结账页面进行了 A/B 测试：

<SHOW_FILE>/path/to/ab_test_results.csv</SHOW_FILE>

字段：user_id, variant (A 或 B), converted (0/1), revenue, timestamp

请告诉我：

• 变体 B 是否具有统计学意义的优势？（p 值、置信区间）
• 转化率差异
• 人均收入差异
• 样本量是否足够？
• 我的建议：上线 B 版本还是继续测试？

用清晰的图表展示，并给出通俗易懂的结论。”

可视化与报告

将数据转化为视觉故事：

• 图表生成：“创建一组图表，展示这份数据的季度表现”
• 仪表板报告：“基于这份销售数据构建一个可交互的仪表板，支持按地区和产品筛选”
• 演示级可视化：“从这份研究数据中生成适合发表的高质量图表”
• 对比可视化：“可视化我们的指标与行业基准的对比情况”

机器学习应用

无需繁琐配置即可实现机器学习：

• 分类任务：“基于此数据集预测客户流失——训练模型，展示特征重要性”
• 聚类分析：“根据用户行为将这些客户划分为若干群体——自然存在多少个簇？”
• 预测建模：“使用历史数据预测下一季度销售额”
• 模型评估：“我已训练一个模型——这是预测结果。请评估：准确率、精确率、召回率、混淆矩阵、ROC 曲线”

示例提示：

“从这份数据集中预测客户流失：

<SHOW_FILE>/path/to/customer_features.csv</SHOW_FILE>

目标字段：'churned'

• 训练模型，尝试至少两种算法
• 展示特征重要性——是什么导致流失？
• 提供混淆矩阵和 ROC 曲线
• 用通俗语言总结：“客户流失的前三大原因是……”
• 基于发现提出可操作建议

我要的是洞察，不只是指标。”

支持的数据格式

输出格式

数据分析推荐聊天模式

**大多数数据任务推荐使用 "agent" 模式**。数据清洗、探索性分析、图表生成和常规统计分析在此模式下表现良好。

**复杂分析项目推荐使用 "agent team" 模式**——适用于多方法分析、模型对比，或需要深入解读数据含义的场景。

示例提示

极简提示，最大洞察：

“分析这个：

<SHOW_FILE>/path/to/data.csv</SHOW_FILE>

告诉我所有有趣的内容。”

仅此而已。CellCog 的编码代理将自动进行数据概览、探索性分析、模式识别，并以图表形式呈现发现。你无需知道该问什么——代理会自行判断。

商业分析示例：

“分析我们的电商业务数据：

<SHOW_FILE>/path/to/orders.csv</SHOW_FILE>

我需要：

• 收入趋势（每日、每周、每月）
• 表现最好与最差的产品
• 客户购买频率分布
• 平均订单金额变化趋势
• 季节性规律
• 5 个可立即执行的增长建议

生成包含所有图表的交互式 HTML 仪表板。”

研究数据分析示例：

“分析来自 500 名受访者的调查数据：

<SHOW_FILE>/path/to/survey.csv</SHOW_FILE>

研究问题：

1. 年龄组与产品偏好之间是否存在显著关系？
2. 满意度评分在不同区域是否有差异？（ANOVA）
3. 哪些因素最能预测推荐意愿？（回归分析）

包括：统计检验、p 值、效应量、以及适合发表的图表。

输出为 PDF 报告格式。”

提升分析效果的小贴士

1. 直接上传并提问：无需逐列描述。CellCog 会自动读取数据并识别内容。

1. 明确你的问题：“什么导致流失？”比“分析这个数据”更聚焦。两者都有效，但前者响应更快。

1. 说明受众对象：“给我的 CEO”意味着简洁摘要；“给数据团队”则需展示方法论。

1. 说明用途：“我要向董事会汇报” vs “我要用于机器学习管道”——上下文决定输出风格。

1. 不要过度指定方法：让 CellCog 自主选择合适的统计方法。重点在于你想了解什么，而非必须用哪个算法。

1. 迭代推进：上传数据 → 获取初步分析 → 提出后续问题 → 深入挖掘。CellCog 会保持上下文连续性，支持多轮对话。

如果未安装 CellCog

运行 /cellcog-setup（或根据工具不同使用 /cellcog:cellcog-setup）进行安装与认证。

OpenClaw 用户：请运行 clawhub install cellcog。

手动安装：执行 pip install -U cellcog 并设置 CELLCOG_API_KEY。详见 cellcog 技能的 SDK 参考文档。