ahsanmandhar-ui/연구-데이터-시각화-디자이너

연구 데이터 시각화 디자이너 스킬

원시 표 형식 연구 데이터셋(.csv, .xlsx)과 통계 모델 출력물(R broom/tidy, Python statsmodels/scipy, SPSS ANOVA/회귀 분석 내보내기)을 재현 가능하고 학술지 게재 수준의 통계 그림 및 분석 대시보드로 변환합니다.

아래 모든 경로는 research-data-visualization-designer/ 디렉터리를 기준으로 합니다.

---

핵심 통계 및 재현성 규칙

1. 결정적 계산, 허구적 숫자 없음: 샘플 크기, 결측치, 그룹 요약, 회귀 분석, 상관 행렬을 입력 .csv / .xlsx 또는 제공된 모델 테이블에서 직접 계산합니다. p-값을 조작하거나 이상치를 무단으로 제거하지 마십시오.
2. 필수 코드 재현성: 모든 실행은 종속성이 최소화된 독립형 reproduce_figure.py 스크립트와 입력 데이터셋의 SHA-256 다이제스트 및 정확한 소프트웨어 버전을 기록한 reproducibility_manifest.json을 생성합니다.
3. 지각적으로 균일하고 색각 이상 안전 인코딩: Okabe-Ito 범주형 팔레트와 cividis / 발산형 파랑-버밀리언 컬러맵을 사용합니다(절대 jet 또는 무지개를 사용하지 않음).

---

워크플로우

1. 데이터셋 프로파일링: 열, 유형, 결측치 및 요약 분포를 검사합니다.

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

2. 통계 그림 / 대시보드 + 재현 스크립트 생성:

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

3. 독립형 스크립트 실행 검증 및 확인:

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

4. <work_dir>/output/dataviz_figure.png를 육안으로 검사하여 분포 명확성, 축 레이블 및 상관 행렬 가독성을 확인합니다.