ahsanmandhar-ui/research-data-visualization-designer

Research Data Visualization Designer Skill

生の表形式研究データセット（.csv、.xlsx）と統計モデル出力（Rのbroom/tidy、Pythonのstatsmodels/scipy、SPSSのANOVA/回帰エクスポート）を、再現可能で出版品質の統計図表と分析ダッシュボードに変換します。

以下のパスはすべて research-data-visualization-designer/ からの相対パスです。

---

コアとなる統計および再現性のルール

1. 決定論的な計算、数値の幻覚禁止： サンプルサイズ、欠損、グループ要約、回帰、相関行列は、入力の .csv / .xlsx または提供されたモデルテーブルから直接計算します。p値を捏造したり、外れ値を黙って削除したりしてはいけません。
2. コードの再現性必須： 実行のたびに、依存関係が最小限のスタンドアロン reproduce_figure.py スクリプトと、入力データセットのSHA-256ダイジェストと正確なソフトウェアバージョンを記録した reproducibility_manifest.json を出力します。
3. 知覚的に均一で色覚多様性に配慮したエンコーディング： Okabe-Itoカテゴリカルパレットとcividis / 青-バーミリオン発散カラーマップを使用します（jetや虹色は使用禁止）。

---

ワークフロー

1. データセットのプロファイル作成： 列、型、欠損、分布の要約を調査します。

   python scripts/profile_dataset.py --data <path/to/dataset.csv_or_xlsx> --out <work_dir>/dataset_profile.json
   

2. 統計図表/ダッシュボード＋再現スクリプトの生成：

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

3. スタンドアロンスクリプトの実行検証と確認：

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

4. <work_dir>/output/dataviz_figure.png を目視確認し、分布の明瞭さ、軸ラベル、相関行列の読みやすさを確認します。