Pandas Data Analysis MCP 服务器使用说明

项目简介

本项目是一个MCP（Model Context Protocol）服务器的实现，旨在为大型语言模型（LLM）客户端提供使用 Pandas 进行数据分析和可视化的能力。它通过 JSON-RPC 协议与客户端通信，允许 LLM 调用预定义的工具来处理 CSV 数据，并返回分析结果或图表。

主要功能点

CSV 数据读取: 支持上传 CSV 文件并将其内容转换为 JSON 格式，以便后续分析。
描述性统计: 生成 CSV 数据的描述性统计信息，例如均值、中位数、标准差等。
数据可视化: 支持生成多种类型的图表，包括折线图、散点图、直方图和热力图，帮助用户直观理解数据。
综合数据分析: 提供全面的数据分析功能，包括描述性统计、相关性分析以及数据类型和非空值计数。
工具注册与调用: 遵循 MCP 协议，服务器注册 'analyze_data' 工具，客户端可以通过 'call_tool' 方法调用该工具执行数据分析任务。

安装步骤

安装 Python 依赖: 确保你的系统已安装 Python 和 pip。在仓库的 'python' 目录下，运行以下命令安装 Python 服务器所需的依赖：

pip install fastapi uvicorn pandas numpy matplotlib seaborn

安装 Node.js 依赖: 确保你的系统已安装 Node.js 和 npm。在仓库根目录下，运行以下命令安装 Node.js 服务器所需的依赖：
```
npm install axios form-data
```
启动 Python 服务器: 在 'python' 目录下，运行以下命令启动 Python FastAPI 服务器：
```
python server.py
```
默认情况下，Python 服务器将在 'http://0.0.0.0:8000' 启动。
启动 Node.js MCP 服务器: 在仓库根目录下，运行以下命令启动 Node.js MCP 服务器：
```
node src/index.ts
```
或者，如果你的环境配置了 'npm' 可以直接运行脚本，可以使用：
```
npm start
```
Node.js MCP 服务器默认监听标准输入输出 (stdio)。

服务器配置

MCP 客户端需要配置以下 JSON 格式的信息才能连接到 Pandas Data Analysis MCP 服务器。

{
  "serverName": "pandas_data_analysis",
  "command": "node",
  "args": ["src/index.ts"],
  "transport": "stdio"
}

配置参数注释:

'serverName': 服务器的名称，可以自定义，用于在客户端标识该服务器。例如: '"pandas_data_analysis"'。
'command': 启动 MCP 服务器的命令。这里使用 'node' 命令来运行 Node.js 脚本。
'args': 传递给启动命令的参数，以数组形式提供。这里指定了 Node.js 服务器脚本的路径 'src/index.ts'。请确保路径相对于 MCP 客户端的工作目录是正确的。
'transport': 指定 MCP 服务器使用的传输协议。这里使用 'stdio'，表示通过标准输入输出进行通信。

基本使用方法

客户端发起 'list_tools' 请求: 客户端可以发送 'list_tools' 的 JSON-RPC 请求到 MCP 服务器，以获取服务器支持的工具列表。服务器会返回包含 'analyze_data' 工具的响应，其中描述了工具的名称、描述和输入参数 Schema。
客户端发起 'call_tool' 请求: 客户端可以使用 'call_tool' 方法调用 'analyze_data' 工具，并提供相应的参数。例如，要分析本地 CSV 文件 'data.csv' 并生成描述性统计信息，客户端可以发送如下 JSON-RPC 请求：
```
{
  "jsonrpc": "2.0",
  "id": "1",
  "method": "call_tool",
  "params": {
    "name": "analyze_data",
    "arguments": {
      "file_path": "data.csv",
      "analysis_type": "describe"
    }
  }
}
```
'analyze_data' 工具参数说明:
- 'file_path': CSV 文件路径，需要 MCP 客户端能够访问到该文件。例如: '"data.csv"'。
- 'analysis_type': 指定分析类型，可选值包括 '"describe"' (描述性统计), '"plot"' (绘图), '"analyze"' (综合分析)。
- 'plot_type' (当 'analysis_type' 为 '"plot"' 时可选): 指定图表类型，可选值包括 '"line"', '"scatter"', '"histogram"', '"heatmap"'。
- 'x' (当 'analysis_type' 为 '"plot"' 且 'plot_type' 为 '"scatter"' 或 '"histogram"' 时可选): 指定 x 轴的列名。
- 'y' (当 'analysis_type' 为 '"plot"' 且 'plot_type' 为 '"scatter"' 时可选): 指定 y 轴的列名。
- 'title' (当 'analysis_type' 为 '"plot"' 时可选): 图表标题。
- 'columns' (当 'analysis_type' 为 '"analyze"' 时可选): 指定要分析的列名数组。
服务器返回响应: MCP 服务器接收到 'call_tool' 请求后，会调用 Python 后端服务进行数据分析，并将分析结果封装在 JSON-RPC 响应中返回给客户端。如果分析类型是绘图，响应会包含 Base64 编码的图表图像。

注意: 确保 Python 服务器和 Node.js MCP 服务器都已成功启动，并且 MCP 客户端能够正确地与 Node.js MCP 服务器通过 stdio 进行通信。

关键词