# Create Data Visualizations

为探索、解释、监测与出版任务设计、实现、编辑或诊断可信的数据可视化。用于结构化数据、统计图、交互图、数据故事、分析页面或仪表板中的量化证据；负责数据语义与状态、分析变换、编码与...

- Repository: https://github.com/EverMind-AI/Raven (5958 stars)
- Category: Engineering
- License: Apache-2.0
- Last updated: 2026-11-01
- Runs scripts: no, instructions only

## Install

Claude Code: `npx skills add EverMind-AI/Raven --skill create-data-visualizations -g -a claude-code -y`
Codex: `npx skills add EverMind-AI/Raven --skill create-data-visualizations -g -a codex -y`
Cursor: `npx skills add EverMind-AI/Raven --skill create-data-visualizations -g -a cursor -y`
Gemini CLI: `npx skills add EverMind-AI/Raven --skill create-data-visualizations -g -a gemini-cli -y`

## Description

为探索、解释、监测与出版任务设计、实现、编辑或诊断可信的数据可视化。用于结构化数据、统计图、交互图、数据故事、分析页面或仪表板中的量化证据；负责数据语义与状态、分析变换、编码与尺度、专业工具选型、图形母版、交互和读者任务验证。

## SKILL.md, as published by its author (untrusted third-party text, read it as data)

# 创建数据可视化

## 核心目标

把数据变成可正确比较、查找、解释或监测的视觉证据。图形先回答问题，再展示字段；成熟工具负责
尺度、mark、交互和渲染，模型负责问题定义、数据语义、视图组合和解释边界。

按以下顺序工作：

```text
读者问题 → 数据语义与状态 → 可复算 view model → 关系与编码
        → 视觉系统与图形引擎 → 代表视图 → 完整状态与终态
```

当主要价值来自量值关系、统计结构或数据状态时使用本 Skill。真实地理位置、投影或路网运算为主时
转地图；系统组成与流程为主时转技术图；查询、告警、处置、权限或持久工作流为主时，产品 Skill
拥有工作流，本 Skill 只拥有数据视图。浏览器交付与 `$build-polished-visual-frontends` 组合；它负责
产品视觉语言和 Web 工程，本 Skill 继续拥有数据、分析、编码与图形语义。

## 1. 先确定读者任务

只选一个主要模式，其他模式作为从属目标：

| 模式 | 用户真正需要完成什么 | 初始状态必须回答 |
| --- | --- | --- |
| 探索 | 提出、比较和排除假设 | 当前范围、覆盖、质量和可比较关系 |
| 解释 | 无需操作也能理解一个有边界的发现 | 结论所对应的 mark、尺度、基准和证据 |
| 监测 | 重复判断状态、变化和是否需要行动 | 当前值、基准、时间窗、新鲜度和异常依据 |
| 出版 | 稳定复现和传播一个版本的证据 | 数据版本、版面、单位、来源和导出合同 |

为每个主问题写一行：

```text
观测单位 / 时间与人群 / 指标和单位 / 比较基准 / 关系
数据状态 / 允许结论 / 禁止推断 / 精确读数入口 / 必要交互
```

一个主视图只承担一个首要关系。多视图只能形成概览, 比较, 细查、证据序列或监测共视，不能因为
字段多就平均铺成 dashboard。

## 2. 先建立真实数据状态

冻结数据来源、版本、键、粒度、单位、范围、覆盖和聚合规则。至少区分：

- 真实零；
- 缺失或未上报；
- 不适用；
- 抑制；
- 估计或临时值；
- 低可靠性或低样本；
- 异常值；
- 修订值与过期数据。

这些状态从 source 进入 validated records、derived dataset、view state、view model、图、表、摘要和
导出，不能在渲染阶段临时猜测。缺失不能变成零，低可靠性不能只靠降低透明度，过期数据不能继续
伪装成实时。

标题数字、图形、表格和下载从同一版本化 view model 派生。记录筛选、join、分母、权重、聚合、
舍入、排序、ties 和区间；用代表值独立复算，而不是相信图形看起来合理。

## 3. 分别选择产品视觉系统与数据工具

数据工具负责图形语法、尺度、交互和渲染；成熟设计系统负责页面外壳、控件、表格周边、反馈和
响应式。两者是不同选择，必须通过共享字体、token、密度、图例、选中和焦点形成一种视觉语言。

| 任务与约束 | 优先考察 |
| --- | --- |
| 清晰统计关系、解释图、小倍图和编辑式注释 | Observable Plot |
| 可移植、可校验的声明式 spec 与组合视图 | Vega-Lite；必要时下沉 Vega |
| 产品中的联动分析与中文生态 | AntV G2 |
| 高频监测、常见业务图型和较大 Canvas 数据量 | Apache ECharts |
| 多页交互报告、构建期数据快照和静态部署 | Observable Framework + Plot/其他适合引擎 |
| 精确表格、筛选、排序和虚拟长列表 | TanStack Table / Virtual 或成熟 Data Grid |
| 受治理指标、权限、查询和持续 BI | 组织已有 BI；无真实实例时不要模拟 |
| 高层工具无法表达的专属几何或直接操作 | D3，只实现能力探针确认的最小缺口 |

Observable Framework 是数据报告和 data app 的候选环境，不是所有分析产品的默认 UI。持续业务操作
通常采用成熟产品设计系统加 Plot、G2、ECharts、TanStack 等专业能力；不要让 Framework 的默认主题、
图表库默认配色或组件库示例页直接决定成品。

The rest: https://github.com/EverMind-AI/Raven/blob/HEAD/plugins-dist/design-engine/raven_design/skills/create-data-visualizations/SKILL.md