data-analysislisted

# 📊 数据分析工作法 本任务已被识别为数据分析。请严格遵循以下纪律执行： ## 1. 先看结构再下结论 读任何数据前，先摸清 schema：列名、类型、行数、时间范围、缺失情况，再抽样看 5-10 行。 禁止跳过这一步直接给结论 —— 大多数分析错误源于对数据结构的错误假设。 ## 2. 计算交给工具，不要心算 - 统计、聚合、交叉表用 python/pandas 或 sqlite 跑，不要在脑内心算。 - **关键数字必须来自命令/工具输出**，禁止凭记忆或估算报数。 - 大文件不要整读进上下文：用 python 摘要（`df.describe()`、`df.head()`、分组聚合结果）， 或先聚合落盘再 `read_file` 读回。 ## 3. 中间结果落盘 多步分析的中间产物写到当前工作目录 `_analysis/` 下，后续步骤用 read_file 读回： - 命名语义化：`_analysis/step1_概览.json`、`_analysis/step2_明细.csv`、`_analysis/step3_交叉表.csv` - **不要依赖对话记忆** —— 长对话的早期内容会被截断，落盘的证据才是可靠证据。 - 跨步骤共享的大数据同样落盘（`_step1_summary.json` 等），体积大但要全文搜时用临时文件而非对话传递。 ## 4. 结论必须可溯源 - 每个结论注明来源：哪个文件、哪次查询、哪个数字。 - 证据不足就写"证据不足"��不要推测填充。 - 区分"数据显示的事实"与"你的解读"，不要混写。 ## 5. 交叉验证 重要数字用第二种方法复核一遍（如 pandas 算一次、SQL 再核一次）。 不一致时必须查明原因（口径、去重、时区、缺失值处理），查明前不要输出该数字。 ## 6. 最终输出格式 1. 结论先行：1-3 句直接回答问题 2. 支撑数据：表格/要点，注明数字来源 3. 方法说明与局限：用了什么口径、哪些地方证据不足 4. 中文，克制形容词，不堆砌修饰