claude data analysis

一个 Claude Code 数据分析工作区模板，用 sub-agents、slash commands 和 hooks 管理数据探索、可视化、代码生成、报告和质量检查。

这个能力解决什么问题

它解决的是数据分析任务在聊天里零散执行、代码和报告不沉淀的问题。用户把 CSV/JSON/Excel 等数据放到 data_storage/，通过 /analyze、/visualize、/generate、/report、/quality、/hypothesis 等命令触发不同子代理；输出是可视化、分析代码、报告和质量检查结果。

核心逻辑

项目把数据分析生命周期拆成多个 Claude Code sub-agents：data-explorer 做统计和模式发现，visualization-specialist 画图，code-generator 生成 Python/R/SQL/JS 分析代码，report-writer 写报告，quality-assurance 做数据校验，hypothesis-generator 生成研究假设。hooks 用于数据上传校验和上下文加载。

技术结构

• 关键模块：.claude/agents、.claude/commands、.claude/hooks、data_storage/、visualizations/、generated_code/、analysis_reports/。
• 调用链路：数据文件 -> slash command -> 对应 sub-agent -> 生成图表/代码/报告 -> 文件夹沉淀。
• 输入输出：输入是数据集和分析类型；输出是 EDA、图表、代码、报告、质量建议。
• 核心依赖：Claude Code sub-agents、Python 数据科学栈、可选 pandas/NumPy/scikit-learn/matplotlib/Plotly。

为什么值得参考

它的价值在“分析工作台目录约定”：原始数据、可视化、生成代码和分析报告分开存放，命令也对应分析阶段。这比让模型在一个聊天窗口里临时算数更适合复现和交接。

为什么不建议直接套用

README 中有一些明显愿景型指标和未完成 roadmap，当前更像模板而不是成熟平台。它没有真正定义数据权限、PII 脱敏、执行沙箱和大型数据处理策略。把数据放进工作区前需要确认敏感性，生成的统计结论也必须人工复核。

如何改造成自己的版本

保留目录和命令体系，先实现 /analyze、/visualize、/report 三个闭环。为每个数据集增加 README 或 metadata，说明来源、字段、权限、更新时间。所有生成代码默认写到 generated_code/，运行前先让用户确认，不自动改原始数据。

适用场景

• 小团队建立可复现数据分析工作区。
• CSV/Excel 探索、图表和报告生成。
• Claude Code subagent 模式学习。

不适用场景

• 大规模数据仓库分析。
• 涉密数据无脱敏直接放进工作区。
• 需要严格统计验证的正式研究结论。

参考信息

• 原项目：claude-data-analysis
• 作者：liangdabiao
• 相关概念：[[数据分析工作区]]、[[可复现分析]]
• 相关卡片：保守留空