shield_lock
金大哥
← 返回 Skill 列表
extension
分类: 数据与分析无需 API Key

smart-charts

26 种图表，3 个主题，2步生成： 1.上传数据 — 将 CSV / Excel / JSON 等格式的数据文件拖入对话框; 2.查看结果 — 交互式图表（HTML），可保存图表为图片.

person作者: user_5b28ea14hubcommunity
download下载资源包

Smart Charts

将数据文件（CSV/Excel/JSON）转化为交互式 ECharts HTML。支持 26 种图表类型、3 套主题预设（default/classic/dark）、多文件合并、LLM 数据转换代码（沙箱执行）。 CLI 全参数、flags 语义、多图/多文件细节、能力边界、错误码表、交付解读完整规范、FAQ 见 REFERENCE.md。

Activation Triggers

TRIGGER

  • 用户提供 / 指向一个表格数据文件，要求出图、可视化、生成图表
  • 用户提到「画图」「出图」「生成图表」「数据可视化」「chart」「visualization」

DO-NOT-TRIGGER（命中任一条请改推其他技能，不要硬接）

  • 要的是带结论叙事的报告/周报/复盘/汇报文档 → 用报告类技能（本技能只出图 + 可溯源事实）
  • 没有数据文件（纯文字描述、口头想法）
  • 地理/地图渲染、需要后端的 dashboard、图片/音频/视频等非表格内容

契约（5 条，MUST）

  1. 列名解析后会被规范化：转小写、特殊字符→_（如 总学时→总_学时），中文保留；--x-axis/--y-axis/transform 必须引用规范化后的列名
  2. transform 沙箱：可用变量仅 df/pd/np（np.select/np.where 可用），支持多语句（; 或换行分隔），必须产出名为 result 的 DataFrame；禁止 import/open/try/类定义（黑名单 + AST 白名单强制校验，违规返回带 suggestion 的错误）
  3. pie/bar 等按「1 个分类列(name) + 1 个数值列(value)」读数据；分类频次图先用 transform 聚合成 name/value 两列，再指定 --x-axis name --y-axis value
  4. 成功时 stdout：success/html_path/chart_type/title/source_rows/plotted_rows/unique_entities/data_rows/data_preview（绘图数据前 10 行，口径校对用）/annotation_source/plot_stats（绘图数据完整统计摘要，写解读用；26 类全覆盖）
  5. 校对口径直接读 stdout 的 data_preview + data_rows，不要打开 HTML 去搜数据——预览取自 transform 之后、渲染所用的同一份数据，即被绘制内容的真值
  6. 聚合口径对账读 source_rows / plotted_rows / unique_entities：source_rows=transform 前原始行数，plotted_rows=实际绘图行数，unique_entities=去重实体数（有 --label-col 取该列，否则取 x 列）。三者关系是"是否忘了去重"的机械判据：plotted_rows == source_rows 说明没聚合；各系列 value 之和等于 source_rows 而非 unique_entities 说明按行而非按实体统计

黄金示例（模板，复制改列名）

1 分类频次 → pie/bar（最高频场景）：

python {skill_base}/scripts/cli.py data.xlsx bar --title "标题" --output-dir ./out \
  --x-axis name --y-axis value \
  --transform-code "result = df['类别列'].fillna('未标注').value_counts().rename_axis('name').reset_index(name='value')"

（gauge/liquid 想出"达成率"时必须补 --target <目标值>；缺它 plot_stats.achievement 为 null。环境自查用 python {skill_base}/scripts/cli.py --doctor。）

2 多图批量 + 防转义坑（≥2 张图 MUST 批量；transform 含中文/引号时不要直接在 shell 传 --charts，写进 JSON 文件用 --charts-file）：

python {skill_base}/scripts/cli.py data.xlsx --sheet "Sheet1" \
  --charts-file charts.json --output-dir ./out

charts.json 每项：type（必填）+ title/x_axis/y_axis（字符串或数组）/transform_code（单图级）/label_col/color_by/annotation。

3 分组聚合 → bar：

--transform-code "result = df.groupby('分组列')['数值列'].sum().rename_axis('name').reset_index(name='value')"

口径陷阱：聚合前想清楚「按数据行 vs 按去重实体」——统计实体属性（如每门课程的学时结构）先 drop_duplicates；生成后对照 data_preview 检查（若各行 value 之和等于原始行数而非实体数，就是忘了去重）。

Hard Constraints (MUST follow)

  1. MUST 走 CLI 工作流（data_parser.py → cli.py），不要自写脚本替代。
  2. 脏表头 MUST 用 CLI flags（--skiprows N / --header-row N / --sheet，语义见 REFERENCE.md），N 由实际数据决定（先无 flags 跑一次看原始布局），不得拍脑袋固定。注：--skiprows N 与 --header-row N 是同一行为（都是"第 N 行作表头、其上行丢弃"），二选一即可，不要把 N 想成两个不同的决策；推荐统一用 --header-row。
  3. 列重命名/重塑/聚合 MUST 用 --transform-code。解析层只解决"哪行是表头"，其余清洗归 transform。
  4. 轴名/系列名要改显示名，MUST 用 --x-name/--y-name/--series-name(s)，不要靠改列名。改列名会同时改轴名和系列名（两者都绑定列名），且原本写死默认文本的图（heatmap「热力图」/gauge「仪表盘」/sankey「桑基图」等）改列名也改不了系列名。显示名才是唯一干净的入口：--x-name 改 x 轴、--y-name 改 y 轴、--series-name（单）或 --series-names（多，按可见系列顺序）改系列名。
  5. MUST report unsupported scenarios: CLI 确实不支持的（如嵌套 JSON 超过 1 层），先向用户说明并给建议，不得静默绕过。
  6. MUST NOT 在生成代码中硬编码绝对路径；运行时解析路径。
  7. 不要主动传 --lang；CLI 自动跟随数据语言。仅当用户明确要求某种语言时才传。
  8. MUST 附解读交付：交付图表时必须附由 LLM 写的文字解读，并通过 --annotation 注入 HTML（见下方「交付解读规范」），不得只交付裸图。成功输出里的 annotation_source 会标明解读来源：'user'=你传的，'default'=代码用模板填充的（此时输出还会挂 advisory）——交付前确认它是 user'。
  9. MUST 显式传 --output-dir，指向用户可见的目录（如 ./out、桌面目录、当前工作目录下的显式子目录）。默认值 ./smart_charts_output 会随当前工作目录落盘，用户不易发现产物。

默认策略（不向用户确认）

生成图表是廉价可逆动作（重生成 1-10s，零外部副作用）。图表类型（按选型表匹配数据形态）、多文件合并策略（按列重叠率）、取值口径（按列名/单位/数值范围推断）均由 agent 内部决定，不打断用户。

事后审阅代替事前确认：交付语中显式列出本次关键假设（如"选了 line，因 month 是时间序列列""多文件按列名完全相同走纵向拼接，已注入 source_file 列""销量按金额口径"）。用户不同意任一假设，可一句话要求换口径/换类型/换合并方式重生成。

唯一必须的用户介入点：见 Exit Criteria 的"仍失败"分支。

Exit Criteria（机械可判定）

  • ✅ 成功: stdout 为 {"chart": {"success": true, ...}}（多图模式为 {"charts": [...], "summary": ...}），且 html_path 指向的文件存在且非空 → 用同一 stdout 的 data_preview/data_rows/plotted_rows/unique_entities 校对聚合口径（按行 vs 按去重实体），确认无误后附文字解读交付。
  • ℹ️ --dry-run 不算交付：html_path 为 null、不落盘，仅用于试错列名或试聚合脚本。写解读不需要先跑它——正式输出已带 plot_stats。
  • ❌ 失败: success: false 或 exit code 1 → 读 error.details.suggestion，修正后重试；同一环节最多重试 2 次。
  • 🛑 仍失败（唯一必须的用户介入点）: 把 code_name、suggestion、已尝试的修复如实报告用户并给出建议，等待用户决策。不得静默改用自写脚本兜底（违反约束 1/4）。

Chart Types 选型表

选型前核对 Required Format；不匹配则用 transform 代码适配。

量纲提示：heatmap / boxplot / radar 等多列图表，若各列量纲差异大（如满分 10 与满分 100 混合），需先用 transform 代码归一化，否则小量纲列会被大量纲列主导。

| ID | Best For | Trigger Keywords | y_axis | Required DataFrame Format | |----|----------|------------------|:------:|---------------------------| | line | Time-series trends | trend, change, over time, 趋势, 变化, 走势 | 1~N | 1 category/time + 1~N numeric | | bar | Category comparison | compare, rank, difference, 对比, 比较, 排名, 差异 | 1~N | 1 category + 1~N numeric | | area | Cumulative change | cumulative, change, 累计, 变化 | 1~N | 1 category/time + 1~N numeric | | pie | Composition/share | share, composition, proportion, 占比, 构成, 比例 | 1 | 1 name + 1 value | | scatter | Correlation | correlation, relationship, scatter, 相关, 关系, 散点 | 1 | 2 numeric, or 1 category + 1 numeric | | radar | Multi-dimension comparison | multi-dimension, comprehensive, radar, 多维, 综合, 雷达 | N | 1 indicator + N numeric | | heatmap | Density/cross-tab | density, cross, matrix, heatmap, 密度, 交叉, 矩阵, 热力 | N | 2 category + 1 numeric | | treemap | Hierarchical proportion | hierarchy, proportion, nested, 层级, 占比, 嵌套 | 1 | 1 name + 1 value | | graph | Entity relationships | relationship, network, topology, 关系, 网络, 拓扑 | special | source + target (+ value) | | boxplot | Distribution/outliers | distribution, outlier, quartile, 分布, 离群, 四分位 | N | N numeric | | waterfall | Incremental change | increment, change, waterfall, 增量, 变化, 瀑布 | 1 | 1 category + 1 numeric (increments) | | gauge | KPI progress | progress, kpi, achievement, 进度, KPI, 达成 | 1 | 1 numeric (mean used) | | sankey | Flow transfer | flow, transfer, sankey, 流向, 流量, 转移 | special | source + target + value | | funnel | Conversion rate | conversion, funnel, churn, 转化, 漏斗, 流失 | 1 | 1 name + 1 value | | sunburst | Single-level proportion | proportion, sunburst, 占比, 比例 | 1 | 1 name + 1 value | | wordcloud | Frequency/keywords | word frequency, keywords, text, 词频, 关键词, 词云 | 1 | 1 name + 1 value | | histogram | Distribution shape | distribution, histogram, 分布, 直方图 | 1 | 1 numeric column（--x-axis 或 --y-axis 均可，数值型 --x-axis 优先） | | stacked_bar | Composition over categories | composition, stacked, 堆叠, 构成 | 1~N | 1 category + 1~N numeric | | bubble | 3-variable correlation | bubble, 3-variable, 气泡, 三变量 | 2 | 2 numeric + 1 size | | pareto | 80/20 analysis | pareto, 80/20, 帕累托, 二八 | 1 | 1 category + 1 numeric | | combo | Dual-axis comparison | dual-axis, combo, 双轴, 组合 | 1~N | 1 category + 1 bar + 1~N line | | venn | Set overlap (2~3 sets) | overlap, intersection, venn, 交集, 重叠, 韦恩 | 1 | 1 name + 1 value；交集行命名为 A∩B（分隔符：∩ & + × 与） | | mindmap | Hierarchical ideas | mind map, outline, 思维导图, 脑图, 大纲 | 1 | 1 parent + 1 child（分类列） | | orgchart | Organization structure | org chart, hierarchy, 组织架构, 汇报关系, 层级 | 1 | 1 parent + 1 child（分类列） | | liquid | Percentage/progress | liquid, progress, percent, 水波, 进度, 百分比, 完成率 | 1 | 1 numeric (mean used) | | spreadsheet | Raw table / pivot display | table, detail, spreadsheet, 表格, 明细, 清单 | N | 任意列（x/y 可选地筛选显示列；聚合用 transform） |

gauge/liquid 要出"达成率"必须传 --target <目标值>：achievement = mean ÷ target。不传时该字段为 null（自动推断的量程不是业务目标，比值无业务含义），且输出会挂 advisory。

y_axis cardinality key: 1 = only first column used; 1~N = each column becomes a series; N = multiple columns expected; 2 = exactly 2 numeric columns required; special = auto-detects source/target/value columns. scatter/bubble/boxplot 中未被 x/y 占用的字符串列不会浪费——自动作为身份列进 tooltip（见 --label-col）。

Transform Code Contract

契约（由沙箱强制，违反会收到带 suggestion 的错误，按提示修正即可）：

  • 可用变量只有 df, pd, np；必须产出名为 result 的 pd.DataFrame
  • 不要原地修改 df（用 df.copy() 或链式操作）
  • 原始数据已匹配目标格式时，不传 --transform-code

Common transform patterns:

  • Long→multi-series: result = df.pivot_table(index='<time>', columns='<category>', values='<value>', aggfunc='sum').reset_index()
  • Long→pie (filter): result = df[df['metric']=='revenue'][['category','value']].rename(columns={'category':'name'})
  • Wide→long: result = df.melt(id_vars=['date'], var_name='name', value_name='value')
  • Aggregate→bar: result = df.groupby('<category>')['<value>'].sum().reset_index()
  • Rename columns: result = df.rename(columns={'来源':'source','去向':'target','金额':'value'})
  • Compute delta→waterfall: tmp = df.copy(); tmp['delta'] = tmp['profit'].diff().fillna(tmp['profit'].iloc[0]); result = tmp[['month','delta']]
  • Rename messy/uninformative column names (after --header-row leaves columns like score_a, unnamed_3): result = df.rename(columns={'unnamed_0':'student_id','unnamed_1':'name','score_a':'homework_score','score_b':'exam_score'})
  • Forward-fill merged cells (when only the first row of a group is populated): result = df.ffill()
  • Combine sub-headers into a single column name (when --header-row N flattens one row but loses context): result = df.rename(columns={c: f'{c}_score' for c in df.columns if c not in ['student_id','name']})

交付解读规范（Delivery Annotation）

交付每张图表时，必须附一段由 LLM 写的文字解读（不是模板文字），作为用户写报告的佐证。技能只负责算事实（plot_stats），解读由 agent 读 plot_stats 后自己写，再用 --annotation 注入 HTML（图表下方「图表说明」区块）。

标准流程（一步）：

  1. 直接带 --annotation "解读文字" 正式生成一次。正式输出本身已包含 plot_stats 与 data_preview，无需先跑 --dry-run 取数。
  2. 读该次输出的 plot_stats 写 2~4 句解读（① 图是什么：类型+标题+覆盖范围；② 最显著事实：挑 1~2 个点给具体数值与标签；③ 口径说明一句话）。解读写完再回看：若写着发现需要换个口径/换图，才重新生成第二次——重生成是廉价可逆动作（1~10s）。

--dry-run 只在"想先看数、明确不落盘"时才用（如试错列名、试聚合脚本）。把它当成写解读的前置必选步骤会让调用量翻倍且毫无收益。

标题写结论，副标题补口径：--title 用结论式短语（主谓宾+数值，如「营收同比增长 23%」），数字直接取自 plot_stats，不用名词短语（「各月营收」）；时间范围/筛选条件/数据来源等上下文放 --subtitle，不塞进标题。

硬边界：解读的每个数字都必须能在 plot_stats/data_preview 里找到出处——不得凭印象编造；x_cardinality 是去重个数，按 x 列语义表述（x 是「姓名」则说「59 名学生」而非「59 个类别」）。完整规范与示例见 REFERENCE.md。