numeric_distribution_check 字段分布校验Skill

功能概述

本skill用于在表级别检查字段的整体分布是否合理，包含两种模式：

数值模式（numeric）

• 计算数值字段的统计特征
• 支持均值、标准差、中位数、最小值、最大值、25%分位数、75%分位数
• 任一统计量超出约束范围时，整表标记为不通过

分类模式（categorical）

• 统计分类字段的类别数和类别占比
• 检查类别数是否超过 max_categories
• 检查单类占比是否超过 max_single_ratio
• 类别数超限时整表标记；单类占比超限时仅标记该类别对应的行

触发条件

当用户请求以下任务时，应使用此skill：

• 分布校验
• 统计特征验证
• 均值/标准差检查
• 数值分布偏移检测
• 类别频率检查
• 分类分布检查
• 类别倾斜检测
• 数据平衡性分析

处理逻辑

1. 读取输入数据表
2. 根据 mode 选择校验路径：
   • numeric：提取 value_field 的有效数值，计算统计量并与 stat_constraints 比较
   • categorical：统计 category_field 的类别频次和占比，检查 max_categories 与 max_single_ratio
3. 若任一约束超限，则在 mark_field_name 列标记 qc_mark
4. 输出统计摘要和校验结果

支持的文件格式

• CSV (.csv)
• TSV (.tsv)
• Excel (.xls, .xlsx)
• SPSS (.sav)

使用方法

步骤1：获取用户输入输出路径及参数

向用户确认：

1. 输入文件路径（需要校验的文件）
2. 输出文件路径（校验结果文件）
3. 校验模式（numeric 或 categorical）
4. 数值字段名与统计约束，或分类字段名与类别阈值
5. 质控标识

步骤2：执行字段分布校验脚本

在 scripts/ 目录下找到 numeric_distribution_check.py，使用Python执行：

数值模式：

python scripts/numeric_distribution_check.py \
    --input_path data.csv \
    --output_path checked.csv \
    --mode numeric \
    --value_field "score" \
    --stat_constraints "mean,40,60 std,0,20" \
    --qc_mark QC0029

分类模式：

python scripts/numeric_distribution_check.py \
    --input_path data.csv \
    --output_path checked.csv \
    --mode categorical \
    --category_field "category" \
    --max_categories 20 \
    --max_single_ratio 0.5 \
    --qc_mark QC0029

步骤3：返回结果

脚本执行完成后，告知用户：

• 实际统计值或类别分布概况
• 哪些约束超出范围
• 是否整表标记，或仅标记单类倾斜行

参数说明