pivot-table-cross-analysis

npx skills add OpenSenseNova/SenseNova-Skills --skill pivot-table-analysis --agent claude-code

Same command for any agent — swap --agent for codex, cursor, copilot.

Step1 对原始数据进行清洗与重构，处理 Excel 合并单元格导致的缺失值，并筛选核心分析列。 ```python import pandas as pd def preprocess_pivot_data(file_path, target_cols=['奖项', '项目名称', '成员', '单位']): """ 清理并重构数据列，处理合并单元格填充。 """ df = pd.read_excel(file_path) # 映射通用列名 df.columns = target_cols # 关键技巧：处理合并单元格。ffill 前需确保数据按原始分类顺序排列 # 假设第一列为分类标签（如奖项名称） df[target_cols[0]] = df[target_cols[0]].fillna(method='ffill') # 删除关键信息（如成员或单位）缺失的无效行 df = df.dropna(subset=[target_cols[2], target_cols[3]]) # 清洗字符串空格 for col in df.select_dtypes(['object']).columns: df[col] = df[col].str.strip() return df ``` Step2 构建交叉分析表（Crosstab），计算不同维度下的频数分布及百分比占比。 ```python def create_cross_analysis(df, index_col='单位', columns_col='奖项'): """ 构建交叉表并计算各分类维度的获奖/分布比例。 """ # 生成频数统计交叉表 cross_table = pd.crosstab(df[index_col], df[columns_col]) # 计算占比：各列（奖项）下各行（单位）的分布比例 # div(axis=1) 表示按列求和后进行除法 award_proportions = cross_table.div(cross_table.sum(axis=0), axis=1) * 100 # 技巧：生成带有总计行和占比的汇总表 summary = cross_table.copy() summary['总计'] = summary.sum(axis=1) summary.loc['合计'] = summary.sum() return cross_table, award_proportions, summary ``` Step3 配置中文字体并生成热力图可视化，直观展示各维度间的分布差异。 ```python import matplotlib.pyplot as plt import seaborn as sns def generate_analysis_heatmap(