快速接入

先看主来源和安装命令，再打开仓库或文档；下面只保留这个条目的关键接入事实。

命令预览

pip install -r requirements.txt

详细介绍

🔍 EDA助理MCP

![Python](https://python.org) ![FastMCP](https://github.com/jlowin/fastmcp) ![License](LICENSE)

使用模型上下文协议（MCP）构建的全面的探索性数据分析（EDA）助手，为数据分析工作流程提供智能、上下文感知的提示。

🌟 概述

EDA Assistant MCP是一个复杂的工具，旨在简化和增强探索性数据分析工作流程。它使用FastMCP构建，提供20多个专门的提示，涵盖数据探索的各个方面，从初始数据分析到高级统计分析和模型准备评估。

✨ 主要特点

🔄 全面的EDA工作流程 -从数据摄取到洞察的完整分析流程
📊 多域支持 -时间序列、地理空间、文本、分类和数值数据分析
🎯 上下文感知提示 -以业务为中心的分析，考虑特定领域的因素
🛠️ 高级分析 -统计测试、相关性分析、异常检测和特征工程
📈 可视化策略 -针对特定受众的可视化建议和故事讲述
🤖 机器学习就绪性评估 -模型准备和部署注意事项
📁 文件操作 -用于读取CSV、文本文件和目录管理的内置工具
⚡ 自动化管道 -可配置的自动化，用于重复分析任务

🚀 快速开始

先决条件

Python 3.13+
pip或uv包管理器

安装

克隆存储库：

   git clone https://github.com/Yash-Kavaiya/eda-assistant-mcp.git
   cd eda-assistant-mcp

安装依赖项：

   # Using pip
   pip install -r requirements.txt

   # Or using uv (recommended)
   uv sync

运行MCP服务器：

   python server.py

Docker设置

# Build the Docker image
docker build -t eda-assistant-mcp .

# Run the container
docker run -p 8000:8000 eda-assistant-mcp

📋 可用分析提示

🔍 核心数据探索

initial_data_exploration -具有业务背景的全面数据集概述
advanced_statistical_analysis -假设检验的深度统计分析
data_quality_comprehensive_audit -多维质量评估

📊 专题分析

correlation_and_relationships -高级相关性分析和特征关系
time_series_comprehensive_eda -完成时间序列分析和分解
categorical_deep_dive_analysis -分类变量分析和编码策略
outlier_anomaly_comprehensive_analysis -多方法异常检测
feature_engineering_advanced_strategies -ML就绪功能工程

🎨 可视化和讲故事

visualization_storytelling_strategy -以受众为中心的可视化建议
geospatial_data_eda -专业地理空间分析
text_data_eda_nlp -使用NLP技术进行文本数据分析

🤖 模型准备

model_readiness_assessment -机器学习的数据集准备就绪
automated_eda_pipeline -自动化管道设计
eda_quality_metrics_dashboard -质量评估和监测

🛠️ 内置工具

文件操作

read_text_file(file_path) -通过编码检测读取和分析文本文件
read_csv_file(file_path, preview_rows) -CSV分析与数据分析
list_files_in_directory(directory_path, file_extension) -目录探索
get_file_info(file_path) -详细的文件元数据和统计数据

💡 使用示例

基础数据探索

# Using the initial_data_exploration prompt
prompt_result = initial_data_exploration(
    dataset_info="Customer transaction data from e-commerce platform",
    columns="customer_id, transaction_date, amount, product_category, payment_method",
    business_context="Analyzing customer behavior for retention strategies",
    sample_data="First 5 rows with typical transaction patterns"
)

高级统计分析

# Advanced statistical analysis for hypothesis testing
analysis = advanced_statistical_analysis(
    dataset_name="Sales Performance Dataset",
    numerical_columns="revenue, units_sold, profit_margin",
    categorical_columns="region, product_line, sales_channel",
    target_variable="monthly_revenue",
    analysis_depth="comprehensive"
)

自动管道设置

# Create automated EDA pipeline
pipeline = automated_eda_pipeline(
    dataset_info="Monthly sales data with seasonal patterns",
    analysis_goals="Identify trends, seasonality, and anomalies",
    automation_level="semi-automated",
    report_format="html"
)

🏗️ 建筑

EDA Assistant MCP
├── 🔧 FastMCP Server
├── 📝 Analysis Prompts (20+ specialized prompts)
├── 🛠️ File Operations Tools
├── 📊 Statistical Analysis Modules
├── 🎨 Visualization Strategies
└── 🤖 ML Readiness Assessment

🎯 用例

📈 商业智能

客户行为分析
销售业绩评价
市场趋势识别
风险评估和监测

🔬 数据科学项目

数据集探索和分析
特征工程和选择
模型准备和验证
自动化分析管道

📊 研究与分析

统计假设检验
相关性模式发现
时间序列预测准备
地理空间格局分析

🏢 企业数据管理

数据质量审计
自动化报告系统
特定于利益相关者的仪表板
合规与治理

🤝 整合

与Claude/ChatGPT合作

# Configure as MCP server in your AI assistant
# Add to your MCP configuration:
{
  "name": "eda-assistant",
  "command": "python",
  "args": ["path/to/server.py"]
}

使用Jupyter笔记本

# Import and use prompts directly
from server import mcp

# Access any prompt function
result = mcp.get_prompt("initial_data_exploration")

📚 文档

提示类别

|类别|描述|用例| |----------|-------------|-----------|| | 核心EDA |基础数据探索|初步分析、质量审核| | 统计的 |高级统计分析|假设检验，分布| | 专业 |特定领域分析|时间序列、地理空间、文本| | ML准备 |模型准备评估|功能工程、验证| | 自动化 |管道和报告|自动化工作流程、仪表板|

分析深度级别

快速 -基本分析和概述
标准 -可视化综合分析
深 -高级统计测试和建模准备
自定义 -使用专业技术进行领域特定分析

🔧 配置

环境变量

# Optional: Set analysis preferences
EDA_DEFAULT_DEPTH=comprehensive
EDA_VISUALIZATION_BACKEND=plotly
EDA_AUTOMATION_LEVEL=semi-automated

自定义分析模板

通过扩展基本MCP服务器创建自定义提示模板：

@mcp.prompt()
def custom_domain_analysis(dataset_info: str, domain_context: str) -> str:
    """Your custom analysis prompt"""
    return f"Custom analysis for {domain_context}..."

🚀 高级功能

多尺度分析

全球格局 -数据集范围内的趋势和分布
局部模式 -分组和细分分析
时间模式 -基于时间的趋势分析
空间格局 -地理分布分析

智能自动化

智能提示选择 -情境感知分析建议
渐进式披露 -基于发现的复杂性缩放
质量门 -自动验证和质量检查
利益相关者的适应 -针对特定受众的报告生成

🤝 贡献

我们欢迎捐款！请查看我们的贡献指南了解详情。

开发设置

复刻仓库
创建要素分支： git checkout -b feature/amazing-feature
安装开发依赖项： uv sync --dev
进行更改并添加测试
提交拉取请求

贡献领域

🔄 针对专业领域的新分析提示
🎨 增强的可视化模板
🤖 ML模型集成改进
📊 高级统计方法
🌐 多语言支持

📄 许可证

此项目根据MIT许可证获得许可-请参阅许可证文件以获取详细信息。

🙏 致谢

FastMCP -优秀的MCP框架，可快速开发
熊猫和NumPy -核心数据操作库
Matplotlib&Seaborn -可视化功能
Plotly -交互式可视化支持

📞 支持

📧 电子邮件: your-email@domain.com
🐛 问题:
💬 讨论:

🗺️ 路线图

🎯 版本1.1

\[\]交互式仪表板生成
\[\]实时流数据分析
\[\]高级ML模型集成
\[\]支持多语言数据集

🚀 版本1.2

\[\]云部署模板
\[\]API端点生成
\[\]计划分析自动化
\[\]企业SSO集成

🌟 版本2.0

\[\]人工智能驱动的洞察力生成
\[\]自然语言查询界面
\[\]协作分析工作区
\[\]高级治理功能

______________________________________________________________________

🔍 Explore your data with intelligence. Analyze with confidence. 📊

由...制作❤️ 通过 Yash Kavaiya

目录标签

数据分析PythonClaude本地部署数据探索机器学习准备自动化分析可视化策略

支持客户端

Claude

接入字段

传输方式（transport，传输协议）

stdio

鉴权方式（authType，认证方式）

none

工具数量（toolCount，工具数）

4

资源数量（resourceCount，资源数）

0

提示词数量（promptCount，提示词数）

0

权限和风险

stdionone部署方式未说明

接入前请确认传输方式、认证方式和部署位置，并根据实际工具能力限制访问范围。

安装前确认

不要直接授予不必要的文件、网络或账号权限；先核对安装命令和配置内容。

来源信息

MCP World

mcpworld.com

/detail/4158b30156823c879c00d868e0b0f59e

一个基于模型上下文协议（MCP）构建的综合性数据探索分析助手，提供智能、上下文感知的数据分析工作流提示。

继续浏览同类 MCP

更多数据服务 MCP（6,870）返回 MCP 目录

上一个 MCP

Ectlocal Connect MCP Server

Enables connection to PostgreSQL databases for EC solution platforms to query and manage e-commerce data including orders, members, and other business information. Provides tools for direct SQL execution, table structure analysis, and specialized e-commerce data retrieval functions.

下一个 MCP

Eda MCP Server

一个基于Python数据科学栈和TypeScript AI代理的综合性模型上下文协议(MCP)服务器，提供对CSV和结构化TXT文件的探索性数据分析工具。

Eda Assistant MCP