/data-cleaning-and-visualization

name: "data-cleaning-and-visualization"
description: "自动清洗赛题或爬取的数据（处理缺失/异常/格式），并生成可视化图表。Invoke when 用户需要处理原始数据、清洗数据或生成数据分析图表。"

数据清洗与可视化 (Data Cleaning and Visualization)

全局流程协作约束（长对话防漂移）

• 本 skill 不得作为孤立入口。用户要求完整论文、生成 Word、继续流程或不确定阶段时，先回到 `paper-workflow-orchestrator` 判断当前 S0-S8 阶段。
• 启动或继续本 skill 的正式任务前，必须运行：

  python .claude/skills/paper-workflow-orchestrator/scripts/workflow_guard.py --skill data-cleaning-and-visualization

• 如果输出 `[WORKFLOW FAIL]` 或报告 `status != "PASS"`，停止本 skill，按 `paper_output/qa/workflow_guard_report.json` 的失败项回补前置阶段，不得凭记忆继续。
• 本 skill 只写入自己契约范围内的 `paper_output/` 产物；完成后必须回到 `paper-workflow-orchestrator` 判断下一步，并用 `context-memory-keeper` 记录已完成产物、阻塞项和下一步。
• 长对话中如果上下文变长、阶段不确定或用户分开调用 skill，先运行：

  python .claude/skills/paper-workflow-orchestrator/scripts/workflow_guard.py --status

再读取 `paper_output/qa/workflow_guard_report.json`、`paper_output/preflight_report.json`、`paper_output/input_manifest.json`、`paper_output/results/run_manifest.json` 和本 skill 的上游 JSON 契约，按报告里的 `recommended_skill` 与 `next_action` 继续。

• 继续流程前，必须把 `paper_output/context/workflow_memory.json` 视为长期断点记录；若其中的 `current_step`、`next_step`、`recommended_skill` 与 `workflow_guard.py --status` 不一致，以 guard 报告为准。
• 每次完成本 skill 的产物后，先回到 `paper-workflow-orchestrator` 或运行 `workflow_guard.py --status`，再更新 workflow memory：

  python .claude/skills/context-memory-keeper/scripts/update_workflow_memory.py

更新后读取 `paper_output/context/workflow_memory.json` / `.md`，确认下一步和推荐 skill 已记录。

执行契约

• 上游输入：优先读取 `paper_output/input_manifest.json`、`paper_output/step1/problem_analysis.json` 与 `paper_output/plan/model_route.json`；正式流程只处理 manifest 中标为 `raw_data` 且 `usable_for_modeling=true` 的附件。
• 必须输出：`paper_output/data_cleaned/load_report.json`、`paper_output/plan/data_plan.json`、`paper_output/plan/visualization_plan.json`、`paper_output/figure_index.json`；有可处理数据时同步输出 `paper_output/data_cleaned/` 与 `paper_output/figures/`。
• 下游交接：`quality-assurance-auditor` 审计数据/图表证据；S7 写作计划直接引用 `figure_index.json`、表格索引和结果契约。`tasks.json` 仅供 legacy/quickstart。
• 推荐下一步：完成数据和图表计划后回到 `paper-workflow-orchestrator`，按 S4-S6 运行模型和证据审计，再由正式主笔写作。
• 失败回退：若没有可处理数据文件，仍尽量根据题意和模型路线生成计划文件；不得把模板图表直接当作最终真实结果。

本技能用于自动处理数学建模中的原始数据，执行标准化的清洗流程，并生成基础的数据探索性分析（EDA）图表。旨在减少手动处理数据的繁琐步骤，快速获取数据的统计特征和分布情况。

重要定位：脚本是代码级提示词

数学建模赛题的数据表结构、字段名称、单位口径和图表需求通常都不同，因此本技能的 `scripts/` 不应被理解为所有赛题通用的固定程序。它们的核心价值是提供高质量的数据处理与图表生成样板：包括输入输出目录、清洗步骤、图表尺寸、配色、标注、保存路径和论文引用口径。

真实赛题中，应先分析当前附件的数据格式和建模需求，再引用 `scripts/` 中的写法二次修改，或让 Agent 读取这些脚本后重新生成适配当前赛题的新代码。

功能特性

1. **按清单读取数据源**：只读取 manifest 中 `raw_data` 且 `usable_for_modeling=true`、哈希未变化的文件；清单缺失或损坏时停止，不回退扫描。 2. **读取诊断报告**：先运行 `robust_loader.py`，生成 `paper_output/data_cleaned/load_report.json`，记录 xlsx/csv/json 结构与 PDF 诊断结论；脚本会优先读取 `paper_output/input_manifest.json`，跳过 `result_template`、题面文档和不可用于建模的附件。PDF 表格抽取只作诊断，不直接视为可信原始数据。 3. **数据与图表计划**：生成 `data_plan.json`、`visualization_plan.json` 与 `figure_index.json`，作为后续 QA 和正文生成的图表证据交接单。 4. **保真导入与诊断**：

• 保留空值、重复记录和文本编号，不自动填补、去重或强制转数值。
• CSV 字段数量异常或引号损坏时明确失败，不跳过坏行。
• Excel 各工作表独立导出；合并单元格、公式或含糊表头需要赛题专用读取代码。
• `cleaning_report.json` 记录来源、工作表、行数、空值、重复记录和输入输出哈希；PASS 只表示导入完成，不代表字段语义正确。
• 需要统计预处理时按需读 [数据处理规则](references/data-integrity.md)，在赛题代码中明确单位、缺失含义和训练/验证切分，记录变更。

5. **自动可视化**：

• 数值变量：直方图、箱线图。
• 分类变量：柱状图。
• 多变量关系：相关性热力图、散点矩阵。
• 论文级图表样板：预测对比图、残差分布图、方案/模型对比图、敏感性分析图、权重图、排序图、热力图、聚类散点图。

6. **规范化输出**：所有清洗后的数据和图表统一保存到 `paper_output/` 目录下，方便后续论文写作调用。

脚本清单

本技能包含以下核心脚本，位于 `.claude/skills/data-cleaning-and-visualization/scripts/` 目录下：

• `scripts/robust_loader.py`
• **何时用**：任何正式数据清洗、建模或绘图之前，先诊断附件是否可读、哪些 sheet/字段可用、PDF 是否需要人工转表。
• **做什么**：优先读取 `paper_output/input_manifest.json`，只对标为 `raw_data` 的 xlsx/xls/csv/tsv/json 生成结构报告；对 PDF 只生成文本/表格诊断，不把 PDF 自动抽取结果当作可信数据；输出 `paper_output/data_cleaned/load_report.json`，并记录当前 `input_manifest_sha256`。manifest 变化后必须重跑 loader。

• `scripts/run_pipeline.py`
• **何时用**：用户提供赛题数据或完成爬虫后，需要自动完成清洗和绘图时。这是最常用的辅助脚本。
• **做什么**：依次诊断附件、保真导入、基于真实导出路径生成计划、绘图；任一步失败即停止。支持 `--project-root`。

• `scripts/build_data_visualization_plan.py`
• **何时用**：已有 `problem_analysis.json` 或 `model_route.json`，需要先明确“哪些数据支撑哪些问题、哪些图表放在哪里”时。
• **做什么**：读取赛题分析、模型路线和现有数据文件，输出 `paper_output/plan/data_plan.json`、`paper_output/plan/visualization_plan.json` 与 `paper_output/figure_index.json`。

• `scripts/clean_data.py`
• **何时用**：只需要清洗数据，不需要绘图，或者需要自定义清洗逻辑时。
• **做什么**：按 manifest 导入所有可处理工作表到独立 `data_cleaned/runs/<id>/`，写入清洗报告。支持 `--project-root`；不会自动执行统计填补。

• `scripts/visualize_data.py`
• **何时用**：已有清洗好的数据，需要重新生成图表时。
• **做什么**：只读取当前清洗报告绑定且哈希未变的输出，生成 EDA 草图；不扫描旧运行数据。数值列推断仅供探索，不能代替单位、编号和数据含义确认。

• `scripts/paper_figure_templates.py`
• **何时用**：Agent 需要生成论文级图表代码时，优先读取本文件作为代码样板。
• **做什么**：提供预测对比、残差分布、模型/方案对比、敏感性分析、指标权重、综合得分排序、热力图、散点图等函数模板。无法读取真实数据时返回结构化 placeholder 状态，不生成可冒充真实结果的 PNG。

• `scripts/generate_paper_figures_from_plan.py`
• **何时用**：已有 `visualization_plan.json` 和清洗后的 CSV，希望先生成一版论文级图表草稿时。
• **做什么**：按图表计划调用 `paper_figure_templates.py`，把真实可生成图写入 `paper_output/figures/fig_*.png`，并在 `figure_index.json` 中记录 `ok`、`placeholder` 和 `status`。任何 placeholder 都不能通过正式 evidence gate。

输出结构

运行后，将在 `paper_output` 目录下生成以下内容：

paper_output/
├── plan/
│   ├── data_plan.json       # 数据字段、清洗任务与子问题链接
│   └── visualization_plan.json # 建议图表、图题、用途与输出路径
├── figure_index.json        # 图表计划索引，供 QA 和正文生成核对
├── data_cleaned/       # 清洗后的数据文件
│   ├── load_report.json # 附件读取诊断报告
│   ├── cleaning_report.json # 当前导入清单、统计与哈希
│   └── runs/<id>/*.csv      # 各来源与工作表独立输出；旧运行不自动复用
├── figures/            # 生成的可视化图表
│   ├── fig_q1_1.png     # 按 visualization_plan 生成的论文级图表草稿
│   ├── fig_q1_2.png
│   ├── dataset1/
│   │   ├── dist_column_A.png
│   │   ├── heatmap.png
│   │   └── ...
│   └── ...

目录约定（与项目全局对齐）

• 输入数据优先放在 `problem_files/`（赛题附件）与 `crawled_data/`（补充/爬虫数据）。
• 本技能只写入 `paper_output/`，不会改动原始数据文件。
• `data_plan.json` 与 `visualiza