ahsanmandhar-ui/research-data-visualization-designer

Skill für Forschungsdaten-Visualisierungsdesign

Wandeln Sie rohe tabellarische Forschungsdatensätze (.csv, .xlsx) und statistische Modellausgaben (R broom/tidy, Python statsmodels/scipy, SPSS ANOVA/Regressions-Exporte) in reproduzierbare, publikationsreife statistische Abbildungen und analytische Dashboards um.

Alle nachfolgenden Pfade sind relativ zu research-data-visualization-designer/.

---

Zentrale statistische & Reproduzierbarkeitsregeln

1. Deterministische Berechnung, keine halluzinierten Zahlen: Berechnen Sie Stichprobengrößen, fehlende Werte, Gruppenstatistiken, Regressionen und Korrelationsmatrizen direkt aus der eingegebenen .csv / .xlsx oder der bereitgestellten Modelltabelle. Erfinden Sie niemals p-Werte und entfernen Sie keine Ausreißer stillschweigend.
2. Verpflichtende Code-Reproduzierbarkeit: Jeder Lauf erzeugt ein eigenständiges, dependencies-minimales reproduce_figure.py-Skript sowie eine reproducibility_manifest.json, die den SHA-256-Hash des Eingabedatensatzes und die genauen Softwareversionen protokolliert.
3. Wahrnehmungsuniforme & farbenblindsichere Kodierung: Verwenden Sie die Okabe-Ito-Palette für kategoriale Daten und cividis / divergente blau-vermilion Colormaps (niemals jet oder Regenbogen).

---

Arbeitsablauf

1. Datensatz profilieren: Untersuchen Sie Spalten, Typen, fehlende Werte und zusammenfassende Verteilungen:

   python scripts/profile_dataset.py --data <pfad/zu/datensatz.csv_oder_xlsx> --out <arbeitsverzeichnis>/dataset_profile.json
   

2. Statistische Abbildung / Dashboard + Reproduktionsskript erstellen:

   python scripts/generate_dataviz.py \
     --spec <arbeitsverzeichnis>/dataviz_spec.json \
     --output-dir <arbeitsverzeichnis>/output
   

3. Ausführung der eigenständigen Skripte validieren & verifizieren:

   python scripts/validate_dataviz.py \
     --output-dir <arbeitsverzeichnis>/output \
     --spec <arbeitsverzeichnis>/dataviz_spec.json
   

4. Überprüfen Sie <arbeitsverzeichnis>/output/dataviz_figure.png visuell, um die Klarheit der Verteilung, die Achsenbeschriftungen und die Lesbarkeit der Korrelationsmatrix zu bestätigen.