05 · Data Analysis on CSVs

最重的一个案例：25 000 行用户数据 + 18 行平台聚合 + 4 道非平凡分析题 + 1 份 Markdown 报告。DSCC 要自己挑工具（pandas、polars、awk 随它），通过 bash 驱动，然后产出数字正确的表格。

直接复用 demo/social_media_analysis/ 下的真实数据。

演示能力

• bash 跑分析管道（pandas / awk）。
• read_file / write_file 产出报告。
• DangerFullAccess 权限：需要写 /tmp/、执行任意 shell，见 guides/permissions.md 关于何时使用该模式。

准备

数据在 /tmp/social_analysis/：

• social_media_user_behavior.csv — 25 000 行用户级数据，约 45 列。
• platform_statistics_2026.csv — 18 个平台聚合。

Prompt 直接用 demo/social_media_analysis/PROMPT.md，不在此处重复。

Python 3 + pandas 最省事；有 awk + sort 也够。

运行命令

dscc --model claude-opus-4-6 \
  --permission-mode danger-full-access \
  prompt "$(cat demo/social_media_analysis/PROMPT.md)"

真实运行产物镜像在 report_dscc.md（模型实际写到 /tmp/social_analysis/report_dscc.md 的 Markdown）与 dscc_run.log，同步自 demo/social_media_analysis/ 下的权威副本。

预期行为

模型通常会：

1. bash ls /tmp/social_analysis/ 加几次 head 了解列名。
2. bash 跑 Python（或 awk）管道：
   • 把 addiction_level_1_to_10 分为 Low/Medium/High；
   • 按用户数给平台排序前 5；
   • 按 age_group 算网暴率。
3. write_file（或 bash 重定向）把 Markdown 报告写到 /tmp/social_analysis/report_dscc.md。

验收

• /tmp/social_analysis/report_dscc.md 存在。
• 报告依次包含：成瘾分组、平台排名、年龄组网暴、一行结论。
• 数字按 prompt 要求保留两位小数。
• 结论不超过 80 字。

与参考报告 demo/social_media_analysis/report_dscc.md 对比，数字应在舍入范围内一致。