stribus/pygerengastos / .agents/skills/reversa-highcharts-visualizer
reversa-highcharts-visualizer
VerifiedCria visualizações de dados interativas e profissionais usando Highcharts.js, gerando HTML standalone com gráficos animados, responsivos e acessíveis. Use este skill sempre que o usuário pedir para criar gráficos, charts, dashboards, visualizações de dados, ou qualquer representação visual de dados numéricos/categóricos. Deve ser usado quando o usuário mencionar termos como "gráfico", "chart", "dashboard", "highcharts", "visualização de dados", "gráfico de linhas", "barras", "pizza", "scatter", "heatmap", "treemap", "gauge", "stock chart", "mapa", "gantt", "sankey", "funnel", ou quando fornecer dados (CSV, JSON, tabela, planilha) pedindo representação visual. Também deve ser ativado quando o usuário pedir gráficos bonitos, interativos, animados, com tooltip, drill-down, ou exportáveis. Funciona com dados inline, CSV, JSON, e arquivos de dados. Sempre gera HTML standalone completo e funcional.
| File | Kind | Size |
|---|---|---|
| SKILL.md | skill md | 7.4 KB |
| references/CHART_CATALOG.md | markdown | 9.5 KB |
| references/ERRORS.md | markdown | 3.3 KB |
| references/HIGHCHARTS_PATTERNS.md | markdown | 8.5 KB |
| scripts/analyze_data.py | script | 7.5 KB |
| scripts/parse_data.py | script | 8.1 KB |
| scripts/sample_data.py | script | 7.2 KB |
scripts/analyze_data.py
View on GitHub#!/usr/bin/env python3
"""
Analisa dados e sugere o melhor tipo de gráfico Highcharts.
Calcula estatísticas descritivas e infere a natureza dos dados
para recomendar tipos de gráfico adequados.
Uso:
python analyze_data.py <arquivo> [--format json|text]
python analyze_data.py dados.csv --suggest-chart
Saída:
Estatísticas + sugestões de tipos de gráfico.
"""
import sys
import json
import argparse
import re
from pathlib import Path
def is_temporal(values: list) -> bool:
"""Detecta se uma lista de valores parece ser temporal."""
date_patterns = [
r'\d{4}[-/]\d{1,2}[-/]\d{1,2}', # 2024-01-15
r'\d{1,2}[-/]\d{1,2}[-/]\d{4}', # 15/01/2024
r'(Jan|Fev|Mar|Abr|Mai|Jun|Jul|Ago|Set|Out|Nov|Dez)',
r'(jan|feb|mar|apr|may|jun|jul|aug|sep|oct|nov|dec)',
r'Q[1-4]\s*\d{4}', # Q1 2024
r'\d{4}', # Apenas anos
]
if not values:
return False
matches = 0
sample = values[:20]
for v in sample:
for pattern in date_patterns:
if re.search(pattern, str(v), re.IGNORECASE):
matches += 1
break
return matches / len(sample) > 0.6
def analyze_series(values: list) -> dict:
"""Analisa uma série de valores numéricos."""
nums = [v for v in values if isinstance(v, (int, float)) and v is not None]
if not nums:
return {"type": "non_numeric", "count": len(values)}
nums.sort()
n = len(nums)
total = sum(nums)
mean = total / n
variance = sum((x - mean) ** 2 for x in nums) / n
return {
"type": "numeric",
"count": n,
"min": min(nums),
"max": max(nums),
"mean": round(mean, 2),
"median": nums[n // 2],
"std": round(variance ** 0.5, 2),
"sum": round(total, 2),
"has_negatives": any(x < 0 for x in nums),
"all_integers": all(x == int(x) for x in nums),
"all_positive": all(x >= 0 for x in nums),
"range": max(nums) - min(nums),
"unique_values": len(set(nums))
}
def suggest_charts(categories: list, series_analysis: list, n_series: int) -> list:
"""Sugere tipos de gráfico com base na análise."""
suggestions = []
temporal = is_temporal(categories)
n_categories = len(categories)
all_positive = all(s.get("all_positive", True) for s in series_analysis)
# Dados temporais → line/area
if temporal:
suggestions.append({
"type": "line", "score": 95,
"reason": "Dados temporais — ideal para mostrar tendência ao longo do tempo"
})
suggestions.append({
"type": "area", "score": 85,
"reason": "Dados temporais — área enfatiza volume/magnitude"
})
if n_series > 1 and all_positive:
suggestions.append({
"type": "stacked_area", "score": 80,
"reason": "Múltiplas séries temporais — mostra composição ao longo do tempo"
})
# Poucos pontos categóricos → column/bar
if n_categories <= 20:
suggestions.append({
"type": "column", "score": 90 if not temporal else 70,
"reason": f"{n_categories} categorias — bom para comparação direta"
})
if n_categories > 8:
suggestions.append({
"type": "bar", "score": 85,
"reason": "Muitas categorias — barras horizontais facilitam leitura dos labels"
})
# Uma série com poucos itens → pie
if n_series == 1 and n_categories <= 8 and all_positive:
suggestions.append({
"type": "pie", "score": 80,
"reason": "Uma série com poucas categorias — mostra proporção/composição"
})
# Duas séries numéricas → scatter
if n_series >= 2 and all(s.get("type") == "numeric" for s in series_analysis):
suggestions.append({
"type": "scatter", "score": 70,
"reason": "Múltiplas séries numéricas — mostra correlação entre variáveis"
})
# Muitos dados → considerar heatmap
if n_categories > 20 and n_series > 5:
suggestions.append({
"type": "heatmap", "score": 75,
"reason": "Muitas categorias × séries — heatmap revela padrões matriciais"
})
# KPI único → gauge
if n_series == 1 and n_categories == 1:
suggestions.append({
"type": "solidgauge", "score": 85,
"reason": "Valor único — ideal para KPI/indicador de progresso"
})
# Stacked para composição
if n_series > 1 and n_categories <= 15 and all_positive:
suggestions.append({
"type": "stacked_column", "score": 75,
"reason": "Múltiplas séries positivas — mostra composição por categoria"
})
# Ordenar por score
suggestions.sort(key=lambda x: x["score"], reverse=True)
return suggestions[:5]
def main():
parser = argparse.ArgumentParser(description="Analisa dados e sugere gráficos")
parser.add_argument("filepath", help="Caminho do arquivo")
parser.add_argument("--format", choices=["json", "text"], default="json")
parser.add_argument("--suggest-chart", action="store_true", default=True)
parser.add_argument("--encoding", default=None)
parser.add_argument("--sheet", default=None)
args = parser.parse_args()
# Importar parse_data do mesmo diretório
script_dir = Path(__file__).parent
sys.path.insert(0, str(script_dir))
from parse_data import parse_csv, parse_json_data, parse_excel, detect_encoding
path = Path(args.filepath)
ext = path.suffix.lower()
if ext in ('.csv', '.tsv', '.txt'):
enc = args.encoding or detect_encoding(str(path))
parsed = parse_csv(str(path), encoding=enc)
elif ext == '.json':
parsed = parse_json_data(str(path))
elif ext in ('.xlsx', '.xls'):
parsed = parse_excel(str(path), sheet=args.sheet)
else:
print(f"[ERRO] Formato não suportado: {ext}", file=sys.stderr)
sys.exit(1)
if "error" in parsed:
print(f"[ERRO] {parsed['error']}", file=sys.stderr)
sys.exit(1)
# Analisar cada série
series_analysis = []
for s in parsed.get("series", []):
analysis = analyze_series(s["data"])
analysis["name"] = s["name"]
series_analysis.append(analysis)
# Sugerir gráficos
categories = parsed.get("categories", [])
suggestions = suggest_charts(categories, series_analysis, len(series_analysis))
result = {
"data_summary": {
"categories_count": len(categories),
"series_count": len(series_analysis),
"is_temporal": is_temporal(categories),
"sample_categories": categories[:5]
},
"series_analysis": series_analysis,
"chart_suggestions": suggestions
}
if args.format == "json":
print(json.dumps(result, ensure_ascii=False, indent=2))
else:
print(f"=== Resumo dos Dados ===")
print(f"Categorias: {len(categories)} ({'temporal' if is_temporal(categories) else 'categórico'})")
print(f"Séries: {len(series_analysis)}")
for s in series_analysis:
print(f" • {s['name']}: min={s.get('min')}, max={s.get('max')}, "
f"média={s.get('mean')}, {s.get('count')} pontos")
print(f"\n=== Gráficos Sugeridos ===")
for i, sug in enumerate(suggestions, 1):
print(f" {i}. {sug['type']} (score: {sug['score']})")
print(f" {sug['reason']}")
if __name__ == "__main__":
main()
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| deprecation-and-migrationaddyosmani/agent-skillsManages deprecation and migration. Use when removing old systems, APIs, or features. Use when migrating users from one implementation to another. Use when migrating a database schema in production, such as renaming or dropping a column without downtime (expand/contract). Use when deciding whether to maintain or sunset existing code. | Stars: 119k | Updated | Claude CodeCodex | Verified | Install |
| performance-optimizationaddyosmani/agent-skillsOptimizes application performance across frontend, backend, queries, and databases. Use when performance requirements exist, when you suspect performance regressions, when Core Web Vitals or load times need improvement, when N+1 query patterns need fixing, or when profiling reveals bottlenecks. | Stars: 119k | Updated | Claude CodeCodex | Verified | Install |
| agent-cost-reportthedotmack/claude-memBelievable agent cost report for any period, default the last 7 full days PT, not counting today. Measured tokens from Claude Code transcripts priced at OpenRouter list prices (ESTIMATED), measured provider spend when a sanctioned source exists, note-taker cost separate, Timing-style HTML/PDF plus report.json, line-items.csv, evidence.json. | Stars: 118k | Updated | Claude CodeCodex | Verified | Install |
| agent-cost-reportthedotmack/claude-memBelievable agent cost report for any period, default the last 7 full days PT, not counting today. Measured tokens from Claude Code transcripts priced at OpenRouter list prices (ESTIMATED), measured provider spend when a sanctioned source exists, note-taker cost separate, Timing-style HTML/PDF plus report.json, line-items.csv, evidence.json. | Stars: 118k | Updated | Claude CodeCodex | Verified | Install |