chore: update

src/ai/api.ts

@@ -3,6 +3,7 @@ import md5 from 'blueimp-md5'
 import { fetchEventSource, FetchEventSourceInit } from '@fortaine/fetch-event-source'
 import { AIData, AIMessage, InitOptions } from './types'
 import { extractJSON } from '@/utils/helper'
+import { message } from 'antd'
 
 export async function fetchAIEventSource(url: string, options: FetchEventSourceInit) {
   await fetchEventSource(url, {
@@ -166,9 +167,10 @@ export async function openAI(data: AIData, options: InitOptions): Promise<void>
     }
     options.onMessage?.(message)
     options.onclose?.()
-  } catch (error) {
+  } catch (error: any) {
     console.error(error)
     options.onerror?.(error)
+    message.error(error.response.data.error)
   }
 }
 

src/components/chart/Chart.tsx

@@ -47,41 +47,54 @@ const usePattern = (type = 'horizontal', color = '#5470C6') => {
   }
 }
 
-const transformData = (data: any[], yField: string[], yRule: string, ySort: string) => {
+const transformData = (data: any[], yField: string[], yRule: string, ySort: string, xField: string = '') => {
   let transformedData = [...data]
 
   // Apply calculation rule
   if (yRule) {
-    transformedData = transformedData.map((item) => {
-      const newItem = { ...item }
+    // Group data by xField if it exists
+    const groupedData = xField
+      ? transformedData.reduce((acc: Record<string, any[]>, item) => {
+          const key = item[xField]
+          if (!acc[key]) {
+            acc[key] = []
+          }
+          acc[key].push(item)
+          return acc
+        }, {})
+      : { all: transformedData }
+
+    // Calculate results for each group
+    transformedData = Object.entries(groupedData).map(([_, group]) => {
+      const newItem = { ...group[0] }
       yField.forEach((field) => {
-        const values = data.map((d) => parseFloat(d[field]) || 0)
+        const values = group.map((d) => parseFloat(d[field]) || 0)
         let result = 0
         switch (yRule) {
           case 'sum':
-            result = values.reduce((a, b) => a + b, 0)
+            result = Number(values.reduce((a, b) => a + b, 0).toFixed(2))
             break
           case 'avg':
-            result = values.reduce((a, b) => a + b, 0) / values.length
+            result = Number((values.reduce((a, b) => a + b, 0) / values.length).toFixed(2))
             break
           case 'count':
             result = values.length
             break
           case 'max':
-            result = Math.max(...values)
+            result = Number(Math.max(...values).toFixed(2))
             break
           case 'min':
-            result = Math.min(...values)
+            result = Number(Math.min(...values).toFixed(2))
             break
           case 'median': {
             const sorted = [...values].sort((a, b) => a - b)
             const mid = Math.floor(sorted.length / 2)
-            result = sorted.length % 2 === 0 ? (sorted[mid - 1] + sorted[mid]) / 2 : sorted[mid]
+            result = Number((sorted.length % 2 === 0 ? (sorted[mid - 1] + sorted[mid]) / 2 : sorted[mid]).toFixed(2))
             break
           }
           case 'variance': {
             const mean = values.reduce((a, b) => a + b, 0) / values.length
-            result = values.reduce((a, b) => a + Math.pow(b - mean, 2), 0) / values.length
+            result = Number((values.reduce((a, b) => a + Math.pow(b - mean, 2), 0) / values.length).toFixed(2))
             break
           }
         }
@@ -131,7 +144,7 @@ export default function Chart({
     return null
   }
 
-  const datalist = transformData(data.list, yField, yRule, ySort)
+  const datalist = transformData(data.list, yField, yRule, ySort, xField)
 
   const dataset = { dimensions: [xField, ...yField].filter(Boolean), source: datalist }
   let defaultOptions: any = {

src/modules/data/digging/apriori/prompt.ts

@@ -15,48 +15,7 @@ Apriori算法设计需求说明，结构化分析和建模建议
 
     - 业务价值目标（如"提升交叉销售转化率10%"）  
 
-2. 特征工程与事务准备
-请分步骤给出建议：
-
-  (1) 特征筛选标准：  
-
-      保留字段：  
-
-  | 字段名             | 处理方式        | 保留理由（满足以下条件） |  
-
-  | 商品名称          | 转为事务列表  | 核心交易项，用于挖掘关联规则 |  
-
-  | 品类                | 转为事务列表  | 分析品类间的共现模式 |  
-
-  | 用户ID（可选） | 分组分析          按用户挖掘个性化购买模式 | 
-
-    排除字段：  
-
-  | 字段名 | 排除原因 |  
-
-  | 订单时间 | 无直接关联规则挖掘价值 |  
-
-  | 物流信息 | 与购买行为无关 |  
-
- 
-
-  (2) 特征处理建议：  
-
-     事务格式要求：  
-
-  - 数据需转换为\`[[事务1商品列表], [事务2商品列表], ...]\`格式  
-
-  - 示例：\`[["T恤", "牛仔裤"], ["连衣裙", "帆布鞋"]]\`  
-
-     缺失值处理：  
-
-  - 策略：删除空值或填充（如"其他"类别） 
-
-    数据降维：  
-
-  - 是否需要合并商品层级？[是/否及理由]（如"合并到品类层级以减少项数量"）
-
-3. 模型输入设计
+2. 模型输入设计
     事务数据格式：  
 
     订单ID | 购买项列表
@@ -65,66 +24,11 @@ Apriori算法设计需求说明，结构化分析和建模建议
 
      A456 | [连衣裙, 氨纶材质]
 
-    参数配置建议：  
-
-      \`min_support\`：[建议值及理由]（如"设置为0.05以筛选高频项集"）  
-
-      \`min_confidence\`：[建议值及理由]（如"设置为0.6以保证规则实用性"） 
-
- 
-
-4. 算法实现建议
-    模型适配性：  
-
-      是否适合Apriori？[是/否及理由]
-
-      若否，推荐调整：  
-
-      尝试FP-Growth（如"数据规模过大时更高效"） 
-
-    关键参数建议：  
-
-      \`min_support\`：0.03-0.1（高频商品组合筛选）  
-
-      \`min_confidence\`：0.5+（保证规则可信度）  
-
-      \`max_length\`：5（限制规则复杂度）     
-
-   业务规则过滤：  
-
-     推荐设置\`min_lift>1.5\`以筛选强关联规则（如"购买T恤的用户更可能购买配套裤子"）
-
-   计算资源建议：  
-
-     特征维度>100时，建议先进行商品聚类降维
-
-5. 输出格式要求
+3. 输出格式要求
 请以以下结构分点输出，便于模型生成清晰结论：
 
 1. 问题定义：[一句话描述业务问题及目标]  
 
 2. 事务构建建议：  
 
-   - 保留字段：[字段列表及处理方式和理由]  
-
-   - 排除字段：[字段列表及排除原因]  
-
-3. 关键特征分析：  
-
-      高频项集：  
-
-       强关联规则：  
-
-4. 模型建议：  
-
-   参数配置：  
-
-      \`min_support=0.05\`（筛选高频商品组合）  
-
-      \`min_confidence=0.6\`（保证业务价值）    
-
-   业务验证方式：  
-
-   推荐验证方法：人工审核规则合理性（如"是否符合业务常识"）  
-
-   关键评估指标：lift值、置信度、支持度   `
+   - 保留字段：[字段列表]   `

src/modules/data/digging/forest/prompt.ts

@@ -8,107 +8,19 @@ export const prompt = `任务目标
 请明确回答以下问题：
 
 1.
-核心问题 ：该数据集拟解决的业务问题是什么？（例如：预测用户购买品类、识别高价值客户流失风险等）
+核心问题 ：该数据集拟解决的业务问题是什么？（例如预测销售额、分析用户行为影响因素等）
 2.
-因变量（目标）选择 ：
-    字段名：[目标变量字段名]  
-
-     - 选择依据：  
-
-        - 业务相关性说明（如"直接关联用户购买行为"）  
-
-        - 数据类型匹配（如分类问题需离散变量、回归问题需连续变量）
-
-    模型预期 ：
-
-         预期性能指标（如准确率>85%、F1-score>0.7）  
-
-         或业务目标（如"将客户流失预测准确率提升15%"）
-
-2. 特征工程与自变量选择
-请分步骤给出建议：
-
-  (1) 特征筛选标准：  
-
-      保留字段：  
-
-  | 字段名 | 处理方式 | 保留理由（满足以下条件） |  
-
-  | [字段1] | 标签编码/One-Hot | 与因变量信息增益高、业务逻辑相关 |  
-
-  | [字段2] | 处理缺失值（如填充/删除） | 数据质量达标（缺失率<5%）、分布合理 |  
-
-    排除字段：  
-
-  | 字段名 | 排除原因 |  
-
-  | [字段X] | 多重共线性（VIF>10）、无关变量、数据噪声 |  
-
- 
-
-  (2) 特征处理建议：  
-
-     分类特征：  
-
-  - 编码方式：[标签编码/One-Hot]（如"品类字段需One-Hot编码以保留类别信息"）  
-
-     缺失值处理：  
-
-  - 策略：[填充/删除/模型内置处理]（如"年龄字段缺失率3%，用中位数填充"）  
-
-    异常值处理：  
-
-  - 策略：[离群值截断/删除]（如"销量字段存在极端值，使用IQR法处理"）  
-
-3. 模型输入设计
+因变量（目标）选择 ：根据业务目标，选择最适合作为因变量（Y）的字段，并说明选择依据。
+2. 模型输入设计
 请给出最终的模型输入方案 ：
 
-    自变量（X）：  
-
-    字段列表及预处理方法：  
-
-       [字段A]：标签编码 → 转换为整数类型  
+●
+自变量（X） ：具体字段名称
+●
+因变量（Y） ：字段名称
  
-      [字段B]：One-Hot编码 → 扩展为N个二元变量  
 
-    因变量（Y）：  
-
-    字段名：[字段名]  
-
-    是否需要离散化？[是/否及方法]（如"销售额连续值转为高/中/低三类"）  
-
- 
-
-4. 算法实现建议
-    模型适配性：  
-
-      是否适合随机森林？[是/否及理由]  
-
-      若否，推荐调整：  
-
-      尝试XGBoost/梯度提升树（如"特征间交互复杂，需更深度学习"）
-
-    关键参数建议：  
-
-      \`n_estimators\`：[建议值及理由]（如"设置为100以平衡计算效率与精度"）  
-
-      \`max_depth\`：[建议值及理由]（如"防止过拟合，设置为5"）  
-
-      \`max_features\`：[建议值及理由]（如"sqrt型特征子集"）  
-
-      \`class_weight\`：[平衡/不均衡]（如"类别分布不均衡时设置'balanced'"）    
-
- 计算资源建议：  
-
-     是否需要特征选择？[是/否及方法]（如"使用特征重要性筛选Top 10字段"）  
-
-     验证与评估：  
-
-       验证策略：[分层5折交叉验证]（如"数据类别分布不均衡"）  
-
-       关键指标：[准确率、F1-score、特征重要性图表]  
-
-5. 输出格式要求
+3. 输出格式要求
 请以以下结构分点输出，便于模型生成清晰结论：
 
 1. 问题定义：[一句话描述]  
@@ -117,20 +29,4 @@ export const prompt = `任务目标
 
 3. 自变量选择：  
 
-   - 保留字段：[字段列表及处理方式]  
-
-   - 排除字段：[字段列表及排除原因]  
-
-4. 关键特征分析：  
-
-   - 相关性最高特征：[字段名]（相关系数值）  
-
-   - 高共线性特征对：[字段对及VIF值]  
-
-5. 模型建议：  
-
-   - 是否需要正则化？[是/否及理由]  
-
-   - 推荐验证方式：[方法名称]  
-
-   - 核心参数建议`
+   - 保留字段：[字段列表]  `

src/modules/data/digging/fpgrowth/prompt.ts

@@ -15,50 +15,9 @@ FP-Growth算法设计需求说明，结构化分析和建模建议
 
     - 业务价值目标（如"提升购物车添加率10%"）  
 
-2. 特征工程与事务构建
-请分步骤给出建议：
  
-  (1) 特征筛选标准：  
 
-      保留字段：  
-
-  | 字段名       | 处理方式        | 保留理由（满足以下条件） |  
-
-  | 品类          | 直接使用        | 核心商品分类维度 |  
-
-  | 颜色          | 直接使用        | 影响购买组合的因素 |  
-
-  | 材质          | 直接使用        | 商品属性关联性分析 |  
-
-  | 优惠类型    | 直接使用        | 购买决策驱动因素 | 
-
-    排除字段：  
-
-  | 字段名 | 排除原因 |  
-
-  | 订单ID | 无业务解释性 |  
-
-  | 用户年龄 | 非事务型特征 |  
-
-  | 交易时间 | 与关联规则无直接关系 | 
-
- 
-
-  (2) 数据转换建议：  
-
-     事务格式要求：  
-
-  - 将数据转换为\`订单ID→[购买项列表]\`的事务格式（如\`订单A→[连衣裙_红色_氨纶, T恤_白色_棉质]\`） 
-
-     缺失值处理：  
-
-  - 策略：[删除/填充]（如"空购物车订单需排除"）  
-
-     特征组合建议：  
-
-  - 是否组合字段？[是/否及示例]（如"将'品类+颜色+材质'合并为复合项以提升规则实用性"）
-
-3. 模型输入设计
+2. 模型输入设计
     事务数据格式：  
 
     订单ID | 购买项列表
@@ -67,64 +26,11 @@ FP-Growth算法设计需求说明，结构化分析和建模建议
 
      A456 | [连衣裙, 氨纶材质]
 
-    参数配置建议：  
-
-    \`min_support\`：[建议值及理由]（如"设置为0.03以筛选高频商品组合"）  
-
-    \`min_threshold\`：[建议值及理由]（如"设置为0.5以保证规则实用性"）  
-
- 
-
-4. 算法实现建议
-    模型适配性：  
-
-      是否适合FP-Growth？[是/否及理由]
-
-      若否，推荐调整：  
-
-      尝试Apriori（如"小规模数据或低维度场景"） 
-
-    关键参数建议：  
-
-      \`min_support=0.03-0.05\`（高频项集筛选）  
-
-      \`use_collector=True\`（优化内存占用）    
-
-   业务规则过滤：  
-
-     推荐设置\`min_confidence>0.5\`和\`lift>2\`筛选强关联规则 
-
-   计算资源建议：  
-
-     特征维度>100时，建议先进行商品聚类降维 
-
-5. 输出格式要求
+3. 输出格式要求
 请以以下结构分点输出，便于模型生成清晰结论：
 
 1. 问题定义：[一句话描述业务问题及目标]  
 
 2. 事务构建建议：  
 
-   - 保留字段：[字段列表及处理方式和理由]  
-
-   - 排除字段：[字段列表及排除原因]  
-
-3. 关键特征分析：  
-
-      高频项集：  
-
-       强关联规则：  
-
-4. 模型建议：  
-
-   参数配置：  
-
-      \`min_support=0.05\`（筛选高频商品组合）  
-
-      \`min_confidence=0.6\`（保证规则可信度）  
-
-   业务验证方式：  
-
-   推荐验证方法：人工审核规则合理性（如"是否符合业务常识"）  
-
-   关键评估指标：lift值、置信度、支持度   `
+   - 保留字段：[字段列表]  `

src/modules/data/digging/hierarchical/prompt.ts

@@ -15,136 +15,22 @@ export const prompt = `任务目标
 
     - 业务价值目标（如"通过分群优化营销策略"）
 
-2. 特征工程与自变量选择
-请分步骤给出建议：
-
-  (1) 特征筛选标准：  
-
-      保留字段：  
-
-  | 字段名    | 处理方式        | 保留理由（满足以下条件） |  
-
-  | 销量       | 标准化           | 核心业务指标，量纲统一需求 |  
-
-  | 实际付款 | 标准化           | 反映消费能力，数值型特征 |  
-
-  | 品类       | One-Hot编码 | 类别型特征需转化为数值型 | 
-
-    排除字段：  
-
-  | 字段名 | 排除原因 |  
-
-  | 订单ID | 无业务意义，唯一标识符 |  
-
-  | 省份 | 分类层级过高（与城市字段冗余） |  
-
- 
-
-  (2) 特征处理建议：  
-
-     标准化要求：  
-
-  - 强制标准化：层次聚类对特征量纲敏感，必须进行标准化（\`StandardScaler\`）
-
-    分类特征：  
-
-  - 编码方式：[One-Hot/标签编码]（如"品类字段需One-Hot编码以保留类别信息"）  
-
-     缺失值处理：  
-
-  - 策略：[填充/删除]（如"年龄字段缺失率<5%，用均值填充"） 
-
-    降维建议：  
-
-  - 是否需要 PCA？[是/否及理由]（如"特征维度>20时降低计算复杂度"）
-
-3. 模型输入设计
+2. 模型输入设计
 请给出最终的模型输入方案 ：
 
     自变量（X）：  
 
-    字段列表及预处理方法：  
-
-    [销量]：标准化 → 均值0，方差1  
-
-    [实际付款]：标准化 → 均值0，方差1  
-
-    [品类]：One-Hot编码 → 扩展为N个二元变量
+    字段列表
 
     距离度量：  
 
     推荐方法：[欧氏距离/余弦相似度]（如"数值型特征适合欧氏距离"）  
 
- 
-
-4. 算法实现建议
-    模型适配性：  
-
-      是否适合层次聚类？[是/否及理由] 
-
-      若否，推荐调整：  
-
-      尝试 K-Means（如"数据规模过大时更高效"）  
-
-    关键参数建议：  
-
-     链接方法：[ward/complete/average]（如"ward方法对球形簇效果最佳"）  
-
-     距离度量：[欧氏距离/余弦相似度]  
-
-     聚类数量：[建议值及理由]（如"通过 dendrogram 确定 elbow 点"）  
-
- 计算资源建议：  
-
-     数据量>1e4时，建议使用近似算法（如"凝聚聚类替代层次聚类"）
-
-5. 输出格式要求
+4. 输出格式要求
 请以以下结构分点输出，便于模型生成清晰结论：
 
 1. 问题定义：[一句话描述]  
 
 2. 特征选择：  
 
-   - 保留字段：[字段列表及处理方式]  
-
-   - 排除字段：[字段列表及排除原因]  
-
-3. 关键特征分析：  
-
-      对聚类影响最大的特征：  
-
-      \`实际付款\`（贡献度：32%）  
-
-       特征冗余性分析：  
-
-       \`销量\` & \`销售额\`（VIF=8.5，需删除其一）  
-
-4. 模型建议：  
-
-   算法参数：  
-
-     链接方法：\`ward\`（最小化簇内方差）  
-
-     距离度量：\`欧氏距离\`（数值型特征适用）  
-
-   聚类数量：  
-
-     建议3-5类（通过 dendrogram 的 elbow 点判断）  
-
-   可视化建议：  
-
-     绘制 dendrogram 分析层次结构  
-
-     使用 t-SNE/PCA 降维后观察聚类分布  
-
-5. 有效性验证  
-
-    推荐验证方式：  
-
-       内部指标：轮廓系数（Silhouette Score）  
-
-       业务验证：  
-
-         检查簇内用户特征一致性（如高付款簇的品类偏好）  
-
-         对比 K-Means 聚类结果   `
+   - 保留字段：[字段列表]  `

src/modules/data/digging/holtwinters/prompt.ts

@@ -24,17 +24,9 @@ Holt-Winters算法设计需求说明，结构化分析和建模建议
 
   字段名：[字段名]  
 
-  - 处理方式：[标准化为datetime格式、设置频率（如'D'表示日）]
-
     目标列：  
 
- 字段名：[字段名]（如\`实际付款\`、\`销量\`）  
-
-  - 选择理由：  
-
-    - 业务目标直接关联（如"预测销售额以优化库存"）  
-
-    - 数据需满足时间序列连续性（无缺失或稀疏时间段）
+ 字段名：[字段名]（如'实际付款'、'销量'）  
 
     预测步长：  
 
@@ -44,22 +36,6 @@ Holt-Winters算法设计需求说明，结构化分析和建模建议
 
  
 
-  (2) 数据预处理建议：  
-
-     平稳性处理：  
-
-  - 是否需要差分？[是/否及理由]（如"存在明显趋势需一阶差分"）  
-
-  - 是否需要Box-Cox变换？[是/否及理由]（如"数据呈指数增长"） 
-
-     缺失值处理：  
-
-  - 策略：[插值/删除]（如"用线性插值填充缺失日期"）   
-
-     季节性周期检测：  
-
-  - 推荐周期：[N个月/周]（如"发现12个月的年季节性"）
-
 3. 模型输入设计
     数据格式要求：  
 
@@ -69,82 +45,17 @@ Holt-Winters算法设计需求说明，结构化分析和建模建议
 
     2023-11-02 | 514.28
 
-    参数配置建议：  
-
-   \`seasonal='add'/'mul'\`：[建议类型及理由]（如"乘法季节性适合销售额"）  
-
-   \`period=12\`：[周期值及检测依据]  
-
- 
-
-4. 算法实现建议
-    模型适配性：  
-
-      是否适合Holt-Winters？[是/否及理由]
-
-      若否，推荐调整：  
-
-      尝试ARIMA（如"存在复杂趋势和噪声"）  
-
-      或 Prophet（如"需加入外生变量"）  
-
-    关键参数建议：  
  
-   \`smoothing_level (α)\`：[建议值及理由]（如"0.3捕捉趋势变化"）  
 
-   \`smoothing_trend (β)\`：[建议值及理由]（如"0.1平滑趋势波动"）  
-
-   \`smoothing_seasonal (γ)\`：[建议值及理由]（如"0.4捕捉季节性"）  
-
-   验证与评估：  
-
-     推荐验证方法：滚动窗口验证（如"每30天滚动预测未来7天"）  
-
-     关键指标：MAE、RMSE、MAPE
-
-   计算资源建议：  
-
-     数据量>1e4时，建议使用\`statsmodels\`的\`ExponentialSmoothing\`实现 
-
-5. 输出格式要求
+4. 输出格式要求
 请以以下结构分点输出，便于模型生成清晰结论：
 
 1. 问题定义：[一句话描述业务问题及目标]  
 
 2. 时间序列配置：  
 
-   时间列：\`交易成功时间\`（已转换为\`datetime\`格式，频率为日）  
-
-   目标列：\`实际付款\`（连续型数值，需进行Box-Cox变换以稳定方差）  
-
-   预测步长：30步（预测未来30天）  
-
-3. 关键特征分析：  
-
-      季节性周期检测：
-
-      周期：12个月（ACF图显示显著峰值）   
-
-      趋势稳定性：
-
-      需一阶差分（ADF检验p<0.05，原序列非平稳）  
-
-4. 模型建议：  
-
-   参数配置：  
-
-    \`seasonal='mul'\`（乘法季节性适合销售额增长趋势）  
-
-    \`period=12\`（年季节性周期）  
-
-    \`α=0.3, β=0.1, γ=0.4\`（通过网格搜索优化）   
-
-   验证方式：  
-
-   滚动窗口验证：最后1年数据作为测试集，每30天滚动预测  
-
-   关键指标：MAPE<15%（业务可接受误差范围）  
+   时间列：'交易成功时间'（已转换为'datetime'格式，频率为日）  
 
-    数据预处理**：  
+   目标列：'实际付款'（连续型数值，需进行Box-Cox变换以稳定方差）  
 
-- 执行Box-Cox变换（λ=0.5）以消除异方差性   `
+   预测步长：30步（预测未来30天）  `

src/modules/data/digging/kmeans/prompt.ts

@@ -15,138 +15,24 @@ K-Means算法设计需求说明，结构化分析和建模建议
 
     - 业务价值目标（如"通过分群优化营销策略"）  
 
-2. 特征工程与自变量选择
-请分步骤给出建议：
  
-  (1) 特征筛选标准：  
 
-      保留字段：  
-
-  | 字段名    | 处理方式        | 保留理由（满足以下条件） |  
-
-  | 销量       | 标准化           | 核心业务指标，量纲统一需求 |  
-
-  | 实际付款 | 标准化           | 消费能力关键指标 |  
-
-  | 客户年龄 | 标准化           | 与购买行为相关（如年龄分层） |  
-
-  | 品类       | One-Hot编码 | 类别型特征需转化为数值型 |  
-
-    排除字段：  
-
-  | 字段名 | 排除原因 |  
-
-  | 订单编号 | 无业务意义，唯一标识符 |  
-
-  | 交易时间 | 非数值型且无直接业务解释性 |  
-
-  | 物流信息 | 与客户/商品特征无关 |  
-
- 
-
-  (2) 特征处理建议：  
-
-     标准化要求：  
-
-  - 强制标准化：K-Means对特征量纲敏感，必须进行标准化（\`StandardScaler\`）  
-
-    分类特征：  
-
-  - 编码方式：[One-Hot/标签编码]（如"品类字段需One-Hot编码以保留类别信息"）  
-
-     缺失值处理：  
-
-  - 策略：[填充/删除]（如"年龄字段缺失率<5%，用均值填充"） 
-
-    降维建议：  
-
-  - 是否需要 PCA？[是/否及理由]（如"特征维度>20时降低计算复杂度"）
-
-3. 模型输入设计
+2. 模型输入设计
 请给出最终的模型输入方案 ：
 
     自变量（X）：  
 
-    字段列表及预处理方法：  
-
-    [销量]：标准化 → 均值0，方差1  
-
-    [实际付款]：标准化 → 均值0，方差1  
-
-    [品类]：One-Hot编码 → 扩展为N个二元变量
+    字段列表
 
     距离度量：  
 
     推荐方法：欧氏距离（K-Means默认）
 
- 
-
-4. 算法实现建议
-    模型适配性：  
-
-      是否适合K-Means？[是/否及理由]  
-
-      若否，推荐调整：  
-
-      尝试层次聚类（如"需要层次结构解释"）或DBSCAN（如"存在噪声数据"）  
-
-    关键参数建议：  
-
-     簇数（n_clusters）：[建议值及理由]（如"通过肘部法则确定为3类"）  
-
-     初始化方法：[k-means++/随机]（推荐k-means++以提高收敛稳定性）  
-
-     max_iter：[建议值及理由]（如"设置为300次迭代以确保收敛"）   
-
-   计算资源建议：  
-
-     数据量>1e4时，建议使用Mini-Batch K-Means加速  
-
-   有效性验证：  
-
-     推荐指标：轮廓系数、Calinski-Harabasz指数  
-
-     业务验证：检查簇内特征一致性（如高付款簇的品类偏好）
-
-5. 输出格式要求
+3. 输出格式要求
 请以以下结构分点输出，便于模型生成清晰结论：
 
 1. 问题定义：[一句话描述]  
 
 2. 特征选择：  
 
-   - 保留字段：[字段列表及处理方式]  
-
-   - 排除字段：[字段列表及排除原因]  
-
-3. 关键特征分析：  
-
-      对聚类影响最大的特征：  
-
-      \`实际付款\`（贡献度：32%）  
-
-       特征冗余性分析：  
-
-       \`销量\` & \`销售额\`（VIF=8.5，需删除其一）  
-
-4. 模型建议：  
-
-   簇数建议：  
-
-     推荐3类（肘部法则显示WCSS在k=3时显著下降）  
-
-   参数配置：  
-
-      \`init='k-means++'\`（避免随机初始化陷阱）  
-
-      \`max_iter=300\`（平衡计算效率与收敛性）  
-
-   有效性验证：  
-
-      内部指标：轮廓系数（目标>0.7）  
-
-       业务验证：  
-
-       检查簇内客户特征一致性（如高付款簇的品类偏好）  
-
-       对比层次聚类结果   `
+   - 保留字段：[字段列表]  `

src/modules/data/digging/linear/prompt.ts

@@ -11,64 +11,16 @@ export const prompt = `任务目标
 核心问题 ：该数据集拟解决的业务问题是什么？（例如预测销售额、分析用户行为影响因素等）
 2.
 因变量（目标）选择 ：根据业务目标，选择最适合作为因变量（Y）的字段，并说明选择依据。
-3.
-模型预期 ：预期模型应达到的性能指标（如R²、RMSE等），或业务价值目标（如提升预测准确率10%）。
-2. 特征工程与自变量选择
-请分步骤给出建议：
-
-（1）特征筛选标准
-
-●
-从数据集中选择适合作为自变量（X）的特征，需满足以下条件：
-○
-相关性 ：与因变量有显著统计学关联（如皮尔逊相关系数>0.3或p值<0.05）；
-○
-可解释性 ：符合业务逻辑（例如广告投入与销售额应正相关）；
-○
-数据质量 ：无严重缺失值（缺失率<5%）且分布合理（无极端异常值）。
- 
-
-（2）特征处理建议
-
-●
-数值型特征 ：是否需要标准化/归一化？（如线性回归对特征量纲敏感）
-●
-分类特征 ：是否需要独热编码或嵌入处理？（如性别、地区等字段）
-●
-交互特征 ：是否存在需要组合的特征？（例如广告投入×用户年龄的交互项）
- 
-
-（3）排除特征
-
-列出应排除的特征并说明原因（如多重共线性、冗余字段、无关变量）。
-
-3. 模型输入设计
+2. 模型输入设计
 请给出最终的模型输入方案 ：
 
 ●
-自变量（X） ：具体字段名称及预处理方法；
+自变量（X） ：具体字段名称
 ●
-因变量（Y） ：字段名称及是否需要转换（如对数变换）。
+因变量（Y） ：字段名称
  
 
-4. 算法实现建议
-1.
-模型适配性 ：
-○
-线性回归是否适合该数据集？若否，是否需要调整（如添加正则化项变为岭回归/lasso）？
-○
-若数据存在非线性关系，是否需要先尝试多项式回归？
-1.
-计算资源建议 ：
-○
-特征维度是否需要降维（如PCA）以减少模型计算复杂度？
-1.
-评估与验证 ：
-○
-推荐的交叉验证策略（如K折交叉验证）；
-○
-需要监控的评估指标（如R²、调整R²、F统计量）。
-5. 输出格式要求
+3. 输出格式要求
 请以以下结构分点输出，便于模型生成清晰结论：
 
 1. 问题定义：[一句话描述]  
@@ -77,18 +29,4 @@ export const prompt = `任务目标
 
 3. 自变量选择：  
 
-   - 保留字段：[字段列表及处理方式]  
-
-   - 排除字段：[字段列表及排除原因]  
-
-4. 关键特征分析：  
-
-   - 相关性最高特征：[字段名]（相关系数值）  
-
-   - 高共线性特征对：[字段对及VIF值]  
-
-5. 模型建议：  
-
-   - 是否需要正则化？[是/否及理由]  
-
-   - 推荐验证方式：[方法名称]  `
+   - 保留字段：[字段列表]  `

src/modules/data/digging/logistic/prompt.ts

@@ -4,7 +4,7 @@ export const prompt = `任务目标
 
 数据样本：[在此粘贴数据片段或上传文件（CSV/XLSX）]  
 
-输出要求 
+输出要求 ：
 请以以下结构分点输出，确保结论清晰、逻辑严谨：
 
  
@@ -25,55 +25,14 @@ export const prompt = `任务目标
 [业务意义说明，如"该字段直接反映购买行为"]
 ○
 [数据分布说明，如"二分类/多分类分布均衡"]
-3. 自变量选择
-
-保留字段 ：
-
-字段名     |     处理方式                   |         理由
-
-[字段1]     |    [标准化/One-Hot等]    |        [业务相关性/数据质量]
-
-[字段2     |      ...                            |        ...
-
-排除字段 ：
-
-字段名      |     排除原因
-
-[字段X]      |     [冗余/强共线性/数据缺失率>30%等]
-
-4. 关键特征分析
-
-●
-相关性最高特征 ：
-○
-[字段名]（与因变量相关系数：[数值]，如|r|=0.78）
-●
-高共线性特征对 ：
-○
-[字段A & 字段B]（VIF值：[数值]，如VIF=8.5，需处理）
- 
-
-5. 模型建议
+3. 模型输入设计
+请给出最终的模型输入方案 ：
 
 ●
-是否需要正则化 ：
-○
-[是/否]
-○
-理由 ：
-■
-[如"存在多重共线性（VIF>5），推荐L2正则化"]
-■
-[或"特征稀疏且无冗余，无需正则化"]
+自变量（X） ：具体字段名称
 ●
-推荐验证方式 ：
-○
-[方法名称，如"分层5折交叉验证"]
-○
-理由 ：
-■
-[如"数据量较小且类别分布不均衡"]
-6. 输出格式要求
+因变量（Y） ：字段名称
+4. 输出格式要求
 请以以下结构分点输出，便于模型生成清晰结论：
 
 1. 问题定义：[一句话描述]  
@@ -82,18 +41,4 @@ export const prompt = `任务目标
 
 3. 自变量选择：  
 
-   - 保留字段：[字段列表及处理方式]  
-
-   - 排除字段：[字段列表及排除原因]  
-
-4. 关键特征分析：  
-
-   - 相关性最高特征：[字段名]（相关系数值）  
-
-   - 高共线性特征对：[字段对及VIF值]  
-
-5. 模型建议：  
-
-   - 是否需要正则化？[是/否及理由]  
-
-   - 推荐验证方式：[方法名称]  `
+   - 保留字段：[字段列表及处理方式]  `

src/modules/data/digging/svm/prompt.ts

@@ -8,109 +8,19 @@ export const prompt = `任务目标
 请明确回答以下问题：
 
 1.
-核心问题 ：该数据集拟解决的业务问题是什么？（例如：预测用户购买品类、识别高价值客户流失风险等）
+核心问题 ：该数据集拟解决的业务问题是什么？（例如预测销售额、分析用户行为影响因素等）
 2.
-因变量（目标）选择 ：
-    字段名：[目标变量字段名]  
-
-     - 选择依据：  
-
-        - 业务相关性说明（如"直接关联用户购买行为"）  
-
-        - 数据类型匹配（如分类问题需离散变量、回归问题需连续变量）
-
-    模型预期 ：
-
-         预期性能指标（如准确率>85%、F1-score>0.7）  
-
-         或业务目标（如"将客户流失预测准确率提升15%"）
-
-2. 特征工程与自变量选择
-请分步骤给出建议：
-
-  (1) 特征筛选标准：  
-
-      保留字段：  
-
-  | 字段名 | 处理方式 | 保留理由（满足以下条件） |  
-
-  | [字段1] | 标签编码/One-Hot | 标准化/One-Hot | 与因变量相关性显著（如|r|=0.5+）、业务逻辑相关 |
-
-  | [字段2] | 处理缺失值（如填充/删除） | 数据质量达标（缺失率<5%）、分布合理 |  
-
-    排除字段：  
-
-  | 字段名 | 排除原因 |  
-
-  | [字段X] | 多重共线性（VIF>10）、无关变量、数据噪声 |  
-
- 
-
-  (2) 特征处理建议：  
-
-     标准化要求：  
-
-  - 强制标准化：SVM对特征量纲敏感，必须进行标准化（\`StandardScaler\`）   
-
-    分类特征：  
-
-  - 编码方式：[One-Hot/标签编码]（如"品类字段需One-Hot编码以保留类别信息"）   
-
-     缺失值处理：  
-
-  - 策略：[填充/删除/模型内置处理]（如"年龄字段缺失率3%，用中位数填充"）  
-
-    异常值处理：  
-
-  - 策略：[离群值截断/删除]（如"销量字段存在极端值，使用IQR法处理"）
-
-3. 模型输入设计
+因变量（目标）选择 ：根据业务目标，选择最适合作为因变量（Y）的字段，并说明选择依据。
+2. 模型输入设计
 请给出最终的模型输入方案 ：
 
-    自变量（X）：  
-
-    字段列表及预处理方法：  
+●
+自变量（X） ：具体字段名称
+●
+因变量（Y） ：字段名称
  
-    [字段A]：标准化 → 均值0，方差1  
 
-    [字段B]：One-Hot编码 → 扩展为N个二元变量 
-
-    因变量（Y）：  
-
-    字段名：[字段名]  
-
-    是否需要离散化？[是/否及方法]（如"销售额连续值转为高/中/低三类"）  
-
- 
-
-4. 算法实现建议
-    模型适配性：  
-
-      是否适合SVM？[是/否及理由]  
-
-      若否，推荐调整：  
-
-      尝试线性SVM（如"高维稀疏数据"）或核技巧（如"非线性边界问题用RBF核"） 
-
-    关键参数建议：  
-
-      \`C\`：[建议值及理由]（如"设置为1.0平衡分类边界与误分类惩罚"）  
-
-      \`kernel\`：[linear/rbf/poly等]（如"非线性问题推荐RBF核"）  
-
-      \`gamma\`：[建议值或'auto']（如"RBF核时设为'auto'或网格搜索优化"） 
-
- 计算资源建议：  
-
-     是否需要降维？[是/否及方法]（如"特征维度>1e3时用PCA降维"）  
-
-     验证与评估：  
-
-       验证策略：[分层5折交叉验证]（如"数据类别分布不均衡"）  
-
-       关键指标：[准确率、F1-score、AUC-ROC（二分类时）]  
-
-5. 输出格式要求
+3. 输出格式要求
 请以以下结构分点输出，便于模型生成清晰结论：
 
 1. 问题定义：[一句话描述]  
@@ -119,20 +29,4 @@ export const prompt = `任务目标
 
 3. 自变量选择：  
 
-   - 保留字段：[字段列表及处理方式]  
-
-   - 排除字段：[字段列表及排除原因]  
-
-4. 关键特征分析：  
-
-   - 相关性最高特征：[字段名]（相关系数值）  
-
-   - 高共线性特征对：[字段对及VIF值]  
-
-5. 模型建议：  
-
-   - 是否需要正则化？[是/否及理由]  
-
-   - 推荐验证方式：[方法名称]  
-
-   - 核心参数建议`
+   - 保留字段：[字段列表] `

src/modules/data/digging/tree/prompt.ts

@@ -10,103 +10,19 @@ export const prompt = `任务目标
 1.
 核心问题 ：该数据集拟解决的业务问题是什么？（例如：预测用户购买品类、识别高价值客户流失风险等）
 2.
-因变量（目标）选择 ：
-    字段名：[目标变量字段名]  
+因变量（目标）选择 ：根据业务目标，选择最适合作为因变量（Y）的字段，并说明选择依据。
  
-     - 选择依据：  
 
-        - 业务相关性说明（如"直接关联用户购买行为"）  
-
-        - 数据类型匹配（如分类问题需离散变量、回归问题需连续变量）
-
-    模型预期 ：
-
-         预期性能指标（如准确率>85%、F1-score>0.7）  
-
-         或业务目标（如"将客户流失预测准确率提升15%"）
-
-2. 特征工程与自变量选择
-请分步骤给出建议：
-
-  (1) 特征筛选标准：  
-
-      保留字段：  
-
-  | 字段名 | 处理方式 | 保留理由（满足以下条件） |  
-
-  | [字段1] | 标签编码/One-Hot | 与因变量信息增益高、业务逻辑相关 |  
-
-  | [字段2] | 处理缺失值（如填充/删除） | 数据质量达标（缺失率<5%）、分布合理 |  
-
-    排除字段：  
-
-  | 字段名 | 排除原因 |  
-
-  | [字段X] | 多重共线性（VIF>10）、无关变量、数据噪声 |  
-
- 
-
-  (2) 特征处理建议：  
-
-     分类特征：  
-
-  - 编码方式：[标签编码/One-Hot]（如"品类字段需One-Hot编码以保留类别信息"）  
-
-     缺失值处理：  
-
-  - 策略：[填充/删除/模型内置处理]（如"年龄字段缺失率3%，用中位数填充"）  
-
-    异常值处理：  
-
-  - 策略：[离群值截断/删除]（如"销量字段存在极端值，使用IQR法处理"）  
-
-3. 模型输入设计
+2. 模型输入设计
 请给出最终的模型输入方案 ：
 
-    自变量（X）：  
-
-    字段列表及预处理方法：  
-
-       [字段A]：标签编码 → 转换为整数类型  
-
-      [字段B]：One-Hot编码 → 扩展为N个二元变量  
+●
+自变量（X） ：具体字段名称
+●
+因变量（Y） ：字段名称
  
-    因变量（Y）：  
 
-    字段名：[字段名]  
-
-    是否需要离散化？[是/否及方法]（如"销售额连续值转为高/中/低三类"）  
-
- 
-
-4. 算法实现建议
-    模型适配性：  
-
-      是否适合决策树？[是/否及理由]  
-
-      若否，推荐调整：  
-
-      尝试随机森林/梯度提升树（如"特征间交互复杂，需集成学习"）  
-
-    关键参数建议：  
-
-      \`max_depth\`：[建议值及理由]（如"防止过拟合，设置为5"）  
-
-      \`min_samples_split\`：[建议值及理由]（如"避免过分割，设置为10"）  
-
-      \`class_weight\`：[平衡/不均衡]（如"类别分布不均衡时设置'balanced'"）  
-
-    计算资源建议：  
-
-     是否需要特征选择？[是/否及方法]（如"使用特征重要性筛选Top 10字段"）  
-
-     验证与评估：  
-
-       验证策略：[分层5折交叉验证]（如"数据类别分布不均衡"）  
-
-       关键指标：[准确率、F1-score、特征重要性图表]  
-
-5. 输出格式要求
+3. 输出格式要求
 请以以下结构分点输出，便于模型生成清晰结论：
 
 1. 问题定义：[一句话描述]  
@@ -115,20 +31,4 @@ export const prompt = `任务目标
 
 3. 自变量选择：  
 
-   - 保留字段：[字段列表及处理方式]  
-
-   - 排除字段：[字段列表及排除原因]  
-
-4. 关键特征分析：  
-
-   - 相关性最高特征：[字段名]（相关系数值）  
-
-   - 高共线性特征对：[字段对及VIF值]  
-
-5. 模型建议：  
-
-   - 是否需要正则化？[是/否及理由]  
-
-   - 推荐验证方式：[方法名称]  
-
-   - 核心参数建议`
+   - 保留字段：[字段列表及处理方式]  `

src/modules/demo/chart.tsx

+import ReactECharts from 'echarts-for-react'
+import { useDataFieldQuery, useDataQuery } from '@/hooks/useQuery'
+
+interface DataItem {
+  [key: string]: any
+  customer_gender: string
+  brand: string
+  sales_volume: number
+  unit_price: number
+}
+
+interface ProcessedDataItem {
+  gender: string
+  [key: `${string}-${string}`]: number
+}
+
+export default function Chart() {
+  const { getFieldName } = useDataFieldQuery()
+  const {
+    data: { list = [] },
+  } = useDataQuery()
+
+  const xField = 'customer_gender'
+  const yField = ['sales_volume', 'unit_price']
+  const labelField = 'brand'
+
+  // Get unique genders for x-axis
+  const genders = Array.from(new Set(list.map((item: DataItem) => item[xField]))) as string[]
+
+  // Get unique brands for series
+  const brands = Array.from(new Set(list.map((item: DataItem) => item[labelField])))
+
+  // Prepare data structure
+  const processedData: ProcessedDataItem[] = genders.map((gender) => {
+    const genderData: { [key: `${string}-${string}`]: number } = {}
+    brands.forEach((brand) => {
+      const item = list.find((item: DataItem) => item[xField] === gender && item[labelField] === brand)
+      if (item) {
+        yField.forEach((field) => {
+          genderData[`${brand}-${field}`] = item[field]
+        })
+      }
+    })
+    return {
+      gender,
+      ...genderData,
+    }
+  })
+
+  const option = {
+    tooltip: {
+      trigger: 'axis',
+      axisPointer: {
+        type: 'shadow',
+      },
+    },
+    grid: {
+      left: '3%',
+      right: '4%',
+      bottom: '3%',
+      containLabel: true,
+    },
+    legend: {
+      show: true,
+      data: yField.map((field) => getFieldName(field)),
+    },
+    xAxis: {
+      type: 'category',
+      data: genders,
+      axisLabel: {
+        interval: 0,
+      },
+    },
+    yAxis: [
+      {
+        type: 'value',
+        name: '销量',
+        position: 'left',
+      },
+      {
+        type: 'value',
+        name: '单价',
+        position: 'right',
+      },
+    ],
+    series: brands.flatMap((brand) => [
+      {
+        name: `sales_volume`,
+        type: 'bar',
+        yAxisIndex: 0,
+        data: processedData.map((item) => item[`${brand}-sales_volume`] || 0),
+        label: {
+          show: true,
+          position: 'top',
+        },
+      },
+      {
+        name: `unit_price`,
+        type: 'bar',
+        yAxisIndex: 1,
+        data: processedData.map((item) => item[`${brand}-unit_price`] || 0),
+        label: {
+          show: true,
+          position: 'top',
+        },
+      },
+    ]),
+  }
+  return <ReactECharts option={option} style={{ height: '100%' }} />
+}

src/modules/demo/routes.tsx

@@ -10,4 +10,8 @@ export const routes: RouteObject[] = [
     path: '/demo/button',
     Component: lazy(() => import('./button')),
   },
+  {
+    path: '/demo/chart',
+    Component: lazy(() => import('./chart')),
+  },
 ]