gxgeek-n ZJU MEM 学位论文数据分析
两步工作流。先处理数据，再生成图表。输出均为可执行的代码和可直接嵌入论文的图表。
Step 1: 数据处理
- 在选择统计方法前完成数据生成机制审计，先解释业务事件如何变成分析变量、
样本如何进入数据以及干预如何实际发生。涉及前后对比、因果措辞、企业日志
或口径变化时，必须读取
references/data-generating-process-audit.md。 - 数据采集：调研问卷、企业日志、AI系统日志、质量指标等真实来源。
- 数据清洗：缺失值处理（均值/中位数/删除）、异常值检测（IQR/Z-score）、归一化（MinMax/StandardScaler）。
- 统计方法：描述统计（均值/标准差/分布）、假设检验（t检验/卡方/ANOVA）、回归分析（线性/逻辑回归）、AI模型评价指标（准确率/召回率/F1）。
- 方法选择：内部对比后推荐最适合的一种（DMAIC/PDCA/六西格玛等）。
- 输出可执行Python代码模板（numpy/pandas/statsmodels）。
- 现成骨架（data-free，读你自己的 CSV，
--demo看用法）：scripts/inferential.py（Welch t+Cohen's d / ANOVA+Tukey，仅抽样 Likert）、scripts/regression.py（OLS+VIF+标准化 β，派生值可喂 fig_coef_ci.R）、scripts/reliability.py（Cronbach α+KMO）。详见scripts/README.md。 - 详细指南见
references/analysis-guide.md。
Step 2: 专业图表生成
改道声明：论文成品图（新建/修改/重渲）一律走
thesis-figures（本项目画图统一入口，R/ggplot2 + TikZ + 可编辑改造三路线，含 FIGURES.md 登记与验收闭环）。本节仅用于数据探索性草图。
- 支持Mermaid（架构图/流程图/时序图/甘特图）、PlantUML、Python matplotlib/seaborn。
- 严格遵循ZJU图表自明性：图题下置、表题上置、三线表、分章编号。
- 学术配色方案：避免过于鲜艳，优先灰度友好配色。
- 输出图编号+图题+可执行代码+自明性检查清单。
- 详细规范见
references/visualization.md。
输出内容
每步输出：
- 分步操作指南
- 可直接执行的Python/Mermaid代码
- 图表自明性检查清单
- 下一步技能推荐
若项目提供 scripts/thesis_quality.py，在统计结果或正文关键数字变化后调用
thesis-quality-gate 执行 evidence refresh 和 evidence validate。只登记真实
输入、脚本和输出；不得把自动分类直接标成已确认或已核验。
生成机制审计出现关键 unsupported 时，不得用新增模型或显著性结果掩盖数据链
缺口；先补证据，无法补齐则降低主张上限。