data-visualization

Überblick

Was dieses Skill macht

Das data-visualization Skill ist ein fokussierter Leitfaden, um Rohdaten in klare, wirkungsvolle Diagramme und Grafiken zu verwandeln. Es hilft Ihnen:

• Den passenden Diagrammtyp zu wählen (bar, line, scatter, heatmap und weitere)
• Grundlegende Farbregeln anzuwenden, damit Visualisierungen gut lesbar und zugänglich bleiben
• Achsen, Skalen und Beschriftungen so zu setzen, dass Zahlen leicht zu interpretieren sind
• Wichtige Punkte zu annotieren, damit Ihr Publikum die Botschaft schnell versteht

Das Skill ist auf konkrete, reproduzierbare Workflows mit Python und matplotlib über die inference.sh CLI ausgerichtet. Die Beispiele zeigen, wie Sie von tabellarischen Daten (z. B. CSV oder Spreadsheets) zu produktionsreifen Bilddateien gelangen, die Sie direkt in Dashboards, Reports oder Präsentationsfolien einbinden können.

Für wen es gedacht ist

Nutzen Sie das data-visualization Skill, wenn Sie:

• Data Analyst sind und für Stakeholder konsistente, belastbare Diagramme benötigen
• Data Scientist sind und schnell matplotlib-basierte Plots für Experimente oder Berichte erzeugen wollen
• Product Owner oder Operations-Verantwortliche sind, die Google Sheets oder CSV-Exporte in Charts überführen
• Allgemein Folien, interne Dashboards oder leichte BI-Ansichten vorbereiten

Der Schwerpunkt liegt auf analytischer Kommunikation, nicht auf individuellen UI-Komponenten oder komplexen Web-Dashboards. Wenn Sie vor allem ausgereifte Frontend-Visualisierungsbibliotheken (z. B. D3.js-basierte Custom Charts) brauchen, dient dieses Skill eher als Design- und Workflow-Referenz denn als vollständige Implementierung.

Welche Probleme es löst

Das Skill adressiert typische Pain Points:

• Unklare Diagrammwahl – Hilft Ihnen zu entscheiden, wann bar vs line vs scatter vs heatmap sinnvoll ist und wann Sie auf Pie Charts verzichten sollten.
• Verwirrende Achsen und Skalen – Liefert Regeln für Achsenbereiche, Tick-Abstände und das Vermeiden irreführender Visualisierungen.
• Ungünstiger Farbeinsatz – Erklärt, wie Sie Farbe gezielt zur Hervorhebung einsetzen und gleichzeitig Kontrast und Barrierefreiheit erhalten.
• Schwer lesbare Beschriftungen – Zeigt, wie Sie Charts betiteln, Achsen beschriften und Datenpunkte annotieren, sodass die Kernbotschaft sofort erkennbar ist.
• Zerklüftete Workflows – Zeigt, wie Sie Visualisierung in einen CLI-/Python-Workflow integrieren, um Charts bei Datenänderungen automatisch neu zu generieren.

Wenn Sie regelmäßig Spreadsheet- oder CSV-Daten in saubere, wiederverwendbare Bilder für Präsentationen oder Berichte verwandeln müssen, liefert data-visualization ein wiederholbares Muster.

Verwendung

1. data-visualization Skill installieren

Um das data-visualization Skill über die skills CLI zu Ihrer Umgebung hinzuzufügen, führen Sie aus:

npx skills add https://github.com/inferen-sh/skills --skill data-visualization

Damit werden die Skill-Definition und die Guide-Inhalte aus dem inferen-sh/skills Repository unter guides/design/data-visualization abgerufen.

Nach der Installation können Sie die Dateien direkt in Ihrem skills-fähigen Tool oder über GitHub durchsuchen:

• Skill-Einstieg: SKILL.md
• Guide-Pfad: guides/design/data-visualization/

2. inference.sh CLI einrichten (erforderlich für Codebeispiele)

Der Quickstart-Workflow in diesem Skill verwendet die inference.sh CLI (infsh), um Python auszuführen und Charts mit matplotlib zu erzeugen.

Folgen Sie den im Skill referenzierten Installationsanweisungen für die CLI:

1. Öffnen Sie den CLI-Installationsleitfaden unter:
   • https://raw.githubusercontent.com/inference-sh/skills/refs/heads/main/cli-install.md
2. Installieren Sie die infsh CLI für Ihre Plattform.
3. Authentifizieren Sie sich:

infsh login

Sobald infsh installiert und angemeldet ist, können Sie die Beispielanwendungen ausführen, die im data-visualization Skill verwendet werden.

3. Ein Diagramm mit Python und matplotlib generieren

Der Kernworkflow besteht darin, ein kleines Python-Skript an eine infsh App zu senden, die matplotlib ausführt und ein Bild speichert. Das Skill liefert ein fertiges Beispiel, das ein Balkendiagramm des monatlichen Umsatzes erzeugt:

infsh app run infsh/python-executor --input '{
  "code": "import matplotlib.pyplot as plt\nimport matplotlib\nmatplotlib.use(\"Agg\")\n\nmonths = [\"Jan\", \"Feb\", \"Mar\", \"Apr\", \"May\", \"Jun\"]\nrevenue = [42, 48, 55, 61, 72, 89]\n\nfig, ax = plt.subplots(figsize=(10, 6))\nax.bar(months, revenue, color=\"#3b82f6\", width=0.6)\nax.set_ylabel(\"Revenue ($K)\")\nax.set_title(\"Monthly Revenue Growth\", fontweight=\"bold\")\nfor i, v in enumerate(revenue):\n    ax.text(i, v + 1, f\"${v}K\", ha=\"center\", fontweight=\"bold\")\nplt.tight_layout()\nplt.savefig(\"revenue.png\", dpi=150)\nprint(\"Saved\")"
}'

Dieses Skript demonstriert mehrere Best Practices, die das Skill vermittelt:

• Verwendung eines bar charts für diskrete Monatswerte
• Konsistenter, kontrastreicher Farbton für die Balken
• Klare Achsenbeschriftung (Revenue ($K)) und ein aussagekräftiger, fett gesetzter Titel
• Einfache Annotationen über jedem Balken, damit Werte auf einen Blick erkennbar sind

Nach Ausführung des Befehls erhalten Sie eine Datei revenue.png, die Sie:

• In Präsentationsfolien einbetten
• An E-Mail-Reports anhängen
• In internen Dashboards veröffentlichen

Sie können dieses Muster auf andere Diagrammtypen (line, scatter, heatmap) übertragen, indem Sie den Python-Code anpassen, während Sie die Regeln zur Diagrammwahl, Beschriftung und Farbverwendung beibehalten.

4. Den Chart Selection Guide auf eigene Daten anwenden

Im Inhalt des data-visualization Skills finden Sie einen Chart Selection Guide, inklusive eines Abschnitts Which Chart for Which Data?. Dieser Guide hilft Ihnen, Ihre Daten und Fragestellungen dem passenden Diagrammtyp zuzuordnen, etwa:

• Vergleich von Kategorien über die Zeit → line oder grouped bar charts
• Vergleich von Kategorien zu einem Zeitpunkt → bar charts
• Beziehung zwischen zwei numerischen Variablen → scatter plot
• Darstellung von Intensität über zwei Dimensionen (z. B. Zeit vs. Kategorie) → heatmap

Nutzen Sie diesen Guide, um zu entscheiden, wie Sie visualisieren:

• CSV-Exporte aus Analytics-Tools (z. B. Sessions pro Tag, Umsatz pro Kanal)
• Spreadsheet-Tabellen, etwa Ergebnisse von A/B-Tests oder Umfragen
• Daten aus Python oder SQL, für die Sie ein finales Chart-Bild für einen Bericht benötigen

Kombinieren Sie den Selection Guide mit dem oben beschriebenen Python/matplotlib-Workflow, um Bilder programmatisch zu erzeugen, statt jedes Chart manuell in einem GUI-Tool aufzubauen.

5. In Reporting- und Präsentations-Workflows integrieren

Wenn das Skill installiert ist und Ihre infsh Pipeline funktioniert, können Sie:

• Wiederkehrende Charts automatisieren: Kapseln Sie den infsh app run Aufruf in einem Skript, das aktuelle CSV-Daten lädt, den Python-Code (oder die Datenvariablen) aktualisiert und neue PNG-Dateien speichert.
• Visuellen Stil standardisieren: Nutzen Sie dieselben Farben, Fonts und Layout-Konventionen über mehrere Charts hinweg, um Dashboards und Präsentationen konsistent zu halten.
• Für Präsentationen exportieren: Ziehen Sie die generierten PNGs in PowerPoint, Keynote, Google Slides oder webbasierte Dashboards.

Das data-visualization Skill ist besonders hilfreich, wenn Sie einen wiederholbaren, CLI- oder Python-gesteuerten Weg von Spreadsheet- oder CSV-Daten zu publikationsreifen Charts suchen.

6. Wichtige Dateien zuerst lesen

Nach der Installation sollten Sie diese Kern-Dateien prüfen, um das Maximum aus dem Skill herauszuholen:

• SKILL.md – Überblicksbeschreibung des Skills, Quickstart-Befehl und Kontext.
• guides/design/data-visualization/ – Detaillierte Regeln zu Diagrammtypen, Achsen, Farbwahl und Annotation.

Nutzen Sie sie als Checkliste, wenn Sie neue Charts entwerfen oder bestehende Dashboards überarbeiten.

Wann dieses Skill passt – und wann nicht

Verwenden Sie das data-visualization Skill, wenn:

• Sie hauptsächlich mit tabellarischen Daten arbeiten (CSV, Spreadsheets, SQL-Exporte).
• Sie die Qualität Ihrer Charts standardisieren möchten – über Reports und Präsentationen hinweg.
• Sie sich mit CLI-Befehlen und einfachen Python/matplotlib-Snippets wohlfühlen.

Weniger geeignet ist das Skill, wenn:

• Sie eine JavaScript-Visualisierungsbibliothek für interaktive Web-Charts benötigen (z. B. komplexe D3.js-Projekte).
• Sie eine umfangreiche BI-Plattform aufbauen und vollständige Dashboard-Software statt Guidance zum Chart Design brauchen.
• Sie inference.sh nicht nutzen oder keinen CLI-zentrierten Workflow möchten; in diesem Fall können Sie die konzeptionellen Guides (Diagrammwahl, Farbe, Annotation) zwar weiterhin verwenden, müssen sie aber auf Ihre eigenen Tools übertragen.

FAQ

Wie installiere ich das data-visualization Skill?

Installieren Sie es mit der skills CLI:

npx skills add https://github.com/inferen-sh/skills --skill data-visualization

Dadurch wird der data-visualization Guide aus dem inferen-sh/skills Repository in Ihre Umgebung übernommen, sodass Sie die Regeln zur Diagrammwahl und Visualisierung jederzeit nachschlagen können.

Brauche ich die inference.sh CLI, um dieses Skill zu nutzen?

Um die bereitgestellten Python/matplotlib-Beispiele unverändert auszuführen, benötigen Sie die infsh CLI. Der Quickstart des Skills weist explizit auf diese Anforderung hin und verlinkt die Installationsanleitung. Wenn Sie andere Tools bevorzugen (z. B. lokales Python, Jupyter oder eine andere Umgebung), können Sie die konzeptionellen Hinweise (Diagrammwahl, Farbtheorie, Annotation) dennoch nutzen und den Code entsprechend anpassen.

Kann ich data-visualization mit CSV- oder Spreadsheet-Daten verwenden?

Ja. Der empfohlene Workflow lautet:

1. Laden Sie CSV- oder Spreadsheet-Daten in Python.
2. Transformieren Sie diese in Listen oder Arrays, die sich plotten lassen.
3. Verwenden Sie matplotlib (wie im Beispiel des Skills gezeigt), um Charts zu erzeugen.
4. Speichern Sie die Charts als PNG-Dateien für Dashboards, Reports oder Präsentationen.

Das data-visualization Skill konzentriert sich darauf, wie Sie das passende Diagramm auswählen und gestalten; als Datenquelle können Sie jede tabellarische Quelle verwenden, die Sie kontrollieren.

Welche Diagrammtypen deckt das Skill ab?

Das Skill verweist explizit auf mehrere Diagrammtypen, darunter:

• Bar charts
• Line charts
• Scatter plots
• Heatmaps

Außerdem werden typische Fallstricke bei Pie Charts beschrieben und erläutert, wann Alternativen sinnvoll sind. Der Chart Selection Guide hilft Ihnen, je nach Datenlage und Kommunikationsziel die passende Wahl zu treffen.

Geht es in diesem Skill nur um Ästhetik, oder unterstützt es auch die Analyse?

Der Hauptfokus liegt auf der visuellen Kommunikation, aber die Empfehlungen unterstützen analytische Workflows, indem sie:

• Diagrammtypen fördern, die Trends, Vergleiche und Zusammenhänge klar sichtbar machen
• Irreführende Achsen oder Skalen vermeiden
• Wichtige Punkte mit Annotationen hervorheben

Es handelt sich nicht um einen vollständigen Kurs in Datenanalyse, aber es ist für Analysten und Data Scientists konzipiert, die möchten, dass ihre Ergebnisse verständlich und vertrauenswürdig präsentiert werden.

Kann ich die erzeugten Charts in Präsentationen und Dashboards einbinden?

Ja. Die Python/matplotlib-Beispiele erzeugen statische Bilder (z. B. revenue.png), die Sie:

• In PowerPoint, Keynote oder Google Slides einfügen
• In interne Dashboards oder Reporting-Tools hochladen
• An PDF- oder HTML-Reports anhängen

Da die Charts skriptgesteuert generiert werden, können Sie sie bei Datenaktualisierungen jederzeit neu erstellen und gleichzeitig einen konsistenten visuellen Stil in Ihrem Reporting wahren.

Wo finde ich alle unterstützenden Dateien für data-visualization?

Nach der Installation können Sie im Files-Tab oder im Repository unter folgendem Pfad stöbern:

• https://github.com/inferen-sh/skills/tree/main/guides/design/data-visualization

Dort finden Sie SKILL.md und die zugehörigen Guide-Inhalte sowie eventuell geteilte Referenzen, die von anderen Skills im selben Repository genutzt werden.