data_redesign_method
将复杂原始数据集转化为直观、可直接回答问题的目的性数据的方法与工具。
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：data_redesign_method。 它的用途是：将复杂原始数据集转化为直观、可直接回答问题的目的性数据的方法与工具。 完整的 Skill 内容见：https://321skill.com/skills/data-redesign-method/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
“帮我分析一下法国近五年教育领域的公共支出数据趋势。” 它会引导你通过Streamlit应用，首先用自然语言从法国开放数据平台搜索相关数据集，然后通过降维过程剥离无关字段找到核心支出数值，再根据‘趋势分析’的意图，重新升维构建出按年份和地区聚合的直观可视化图表。整个过程就像有一位数据顾问在一步步帮你理清思路，直达答案。
介绍
Intuitiveness 旨在解决处理复杂开放数据集时，数据过于原始、难以直接用于分析或决策的问题。它提供了一种方法论和Python工具包，通过“降维-升维”的循环过程，剥离数据冗余，提取核心事实，并围绕用户的特定意图重建数据结构。
使用上，用户可以通过自然语言（目前支持法语）直接查询法国开放数据平台（data.gouv.fr）的数据，系统会通过内置的SmolLM3-3B模型理解查询意图。核心流程在交互式Streamlit应用中完成，引导用户将原始数据（L4）逐步抽象为实体关系图（L3）、语义领域分类（L2）、特征向量（L1），最终提炼出核心数据点（L0），然后再根据分析目标重新构建出直观的数据视图。
这个Skill特别适合需要从海量、结构不一的公开数据中快速提取洞察的研究人员、数据分析师和产品经理。它降低了数据理解和重构的门槛，让用户能更专注于问题本身而非数据清洗和整合的繁琐过程。
需要注意的是，当前版本主要针对法语开放数据平台，且需要用户自行部署Neo4j图数据库并配置HuggingFace Token以使用自然语言查询功能。对于非法语数据源或需要处理高度定制化私有数据的场景，可能需要额外的适配工作。
核心特点
核心区别在于其提出的“降维-升维”方法论和五层抽象模型，将数据重构过程系统化、可视化，而非简单的数据清洗或转换工具；同时，它深度集成了对特定数据源（data.gouv.fr）的自然语言查询能力，让数据探索更符合直觉。
注意事项
目前主要适配法语开放数据平台，处理其他语言或私有数据源需要额外开发；且依赖外部服务（Neo4j, HuggingFace），部署有一定复杂度。
常见问题
Intuitiveness 和普通的数据清洗工具有什么不同？
它不止于清洗，更强调基于用户意图对数据结构进行目的性重构，通过“降维-升维”循环和五层抽象模型，系统化地生成可直接回答问题的直观数据。
一定要会法语才能用吗？
核心方法论和Python包是语言无关的，但其内置的自然语言查询功能目前主要针对法语数据源（data.gouv.fr）和法语查询。处理其他语言数据需要修改或扩展相关模块。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/data-redesign-method/raw/index.md 读取 data_redesign_method 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/data-redesign-method/raw/index.md（查看排版版本）