← 返回目录

CLIO Pandas

社区

基于 pandas 的 LLM 高级数据分析工具

查看安装方法 ↓ 横向对比 GitHub 源仓库 ↗

分类: 文件系统第 8 / 24
Stars: ★ 30 热门
传输方式: stdio（本地进程）
运行环境: Python 3.10+
凭据: 无需凭据
许可证: BSD-3-Clause
最近提交: 2 个月前
工具数: 16

60FMRS · C

该服务器提供了全面的 pandas 操作，覆盖数据加载、清洗、统计分析和优化，功能设计贴近实际科研需求，适合 AI 辅助数据分析。但需注意其非官方属性及本地资源消耗，建议从中小数据集起步，并注意隐私与安全问题。

最强项 · 维护活跃度 14/20 最弱项 · 可靠性 10/20

可靠性

10/20

安全与权限

12/20

维护活跃度

14/20

文档质量

12/20

安装易用性

12/20

查看各项评分依据

可靠性 10/20: 清单声明16个工具、stdio传输、PyPI包clio-kit带位置参数'mcp-server pandas'，自洽合理；但本评审为静态评审，未提供pandas服务器专属的已提交测试或CI针对该服务器关键路径的证据（仓库徽章为未经证实的声明），工具行为与描述是否一致无法验证；清单包版本2.10.6与README安装示例2.4.3不一致，且README将pandas描述为'CSV data loading and filtering'与16个工具的广度不符，存在契约漂移迹象。扣分：无服务器级测试证据、版本不一致。
安全与权限 12/20: 数据框分析类工具属本地文件操作，无网络调用、无凭据处理的声明的证据；风险主要是对本地文件系统的读写与覆盖（save_data、clean_data等有副作用），清单和README未披露任何确认机制、路径沙箱或数据边界说明；无红线问题（无恶意行为、无凭据、无危险默认），但因缺少权限/确认/数据流披露文件证据，不能给高分。
维护活跃度 14/20: BSD-3-Clause许可明确，NSF资助、IIT研究团队、Zulip/Issues等多渠道维护信号，39个开放问题表明活跃使用；但版本治理混乱（2.10.6 vs 2.4.3 vs 表中契约版本），无服务器级安全响应渠道证据，属'活跃但治理/版本化有缺口'档。
文档质量 12/20: README覆盖安装、Cursor/Claude Code/VS Code/Claude Desktop配置示例、故障排查和用法示例；但这些是monorepo层面文档，pandas服务器专属的工具参数表、限制、成本说明均未提供，且README对pandas的描述（'CSV data loading and filtering'）与其声明的16个工具能力不一致，存在文档与能力漂移。
安装易用性 12/20: 提供uv tool install一条命令安装及四个主流客户端的JSON配置示例，stdio传输简单；但安装示例版本(2.4.3)与清单包版本(2.10.6)不一致，静态评审且无客户端连接的可验证执行证据，按校准不高于15。

静态评测 · 未实际运行收录于 2026-09-08

查看 FMRS 评分方法 →

选型与风险

能访问什么读取本地文件写入 / 删除本地文件执行命令或代码

适合谁

科研人员和数据科学家，希望通过自然语言进行复杂数据显示分析
在 HPC 环境中进行快速数据探索和清洗，避免编写重复代码
AI 辅助的数据预处理和特征工程任务

不适合谁

需要实时流数据处理或分布式计算的大规模分析场景
需要可视化图表输出（该服务器仅提供数据操作，不含绘图功能）
非 pandas 用户或对 Python 数据分析不熟悉的人员

所需权限

该服务器通过 stdio 使用本地文件系统读写，因此可读取和写入 AI 对话中指定的 CSV、Excel、JSON 等文件
执行过程中会运行 pandas 或 numpy 代码，消耗本地 CPU 和内存资源

风险与副作用

加载超大型文件可能导致内存不足或客户端响应缓慢，建议使用 profile_csv 先行探查数据规模
用户提供的数据可能包含敏感信息，文件路径和内容会被发送给 AI 模型，请注意隐私
作为研究性项目的一部分，服务器并非官方 pandas 支持，可能包含未完全覆盖的边界情况

安装接入

准备工作

运行环境：Python 3.10+

安装 Python 3.10+ 和 uv 包管理器。
运行 uv tool install 'clio-kit==2.10.6'，然后执行 uv tool update-shell（如果提示需要）。
在 MCP 客户端配置中添加 JSON 配置示例（如 Claude Desktop）：

{
  "mcpServers": {
    "pandas-mcp": {
      "command": "clio-kit",
      "args": ["mcp-server", "pandas"]
    }
  }
}

重启客户端即可使用。

claude_desktop_config.json

{
  "mcpServers": {
    "pandas-mcp": {
      "command": "clio-kit",
      "args": ["mcp-server", "pandas"]
    }
  }
}

以 Claude Desktop 为例。其他客户端的配置文件位置或字段可能不同（如 VS Code 使用 servers 字段），可用下方配置生成器转换。

.vscode/mcp.json

{
  "servers": {
    "pandas-mcp": {
      "command": "clio-kit",
      "args": [
        "mcp-server",
        "pandas"
      ]
    }
  }
}

写入项目的 .vscode/mcp.json（VS Code 使用 servers 字段）。

Terminal

claude mcp add pandas-mcp -- clio-kit mcp-server pandas

在终端运行；先把 <…> 占位符换成你自己的值。

生成并校验客户端配置

验证是否装好

安装后运行 clio-kit mcp-server pandas 启动服务器，在客户端工具列表中应出现 load_data、statistical_summary、profile_csv 等工具；也可发送 "profile_csv 分析 test.csv" 验证连接。

常见排障

如果出现 'Server Not Found'，请运行 `clio-kit mcp-servers` 列出可用服务器，确认名称是 `pandas` 而非 `pandas-mcp`
如果遇到导入错误或缺少依赖，进入 `clio-kit-mcp-servers/pandas` 目录执行 `uv sync --all-extras --dev` 然后 `uv run pandas-mcp`
若 uv 或 clio-kit 命令不存在，请先安装 uv：参考官方 uv 安装指南，然后运行 `uv tool install 'clio-kit==2.4.3'` 和 `uv tool update-shell`

试试这样问

连接成功后，可以直接对 AI 助手这样说：

加载 sales_data.csv，清洗缺失值，并按地区统计汇总。
对 temperature.csv 生成完整的数据剖析报告，包括缺失值和分布情况。
把 data1.csv 和 data2.csv 按 id 列做内连接合并，然后保存为 Parquet 文件。
对 monthly_revenue.csv 做时间序列重采样和滚动均值分析。

工具能力 16

load_data 只读

从 CSV、Excel、JSON、Parquet 或 HDF5 文件中加载并解析数据，支持列选择和行数限制。

save_data 写入

将数据保存为 CSV、Excel、JSON、Parquet 或 HDF5 格式，自动检测格式，并可选包含索引。

statistical_summary 只读

计算数值列和分类列的描述性统计、分布分析和异常值检测。

correlation_analysis 只读

计算相关矩阵（Pearson、Spearman 或 Kendall），支持显著性检验和强相关检测。

hypothesis_testing 只读

运行统计假设检验（t 检验、卡方、ANOVA、正态性、Mann-Whitney），并返回 p 值和效应量。

handle_missing_data 写入

使用均值/中位数/众数填充、前向/后向填充或插值等策略检测、填充或删除缺失值。

clean_data 写入

去除重复项，通过 IQR/Z-score 检测异常值，并在一步中优化数据类型。

groupby_operations 只读

按列分组并应用聚合（求和、均值、计数、最小、最大、标准差、中位数），支持预过滤。

展开其余 8 个工具

merge_datasets 只读

使用内连接、外连接、左连接或右连接按指定键列合并两个数据集。

pivot_table 只读

创建数据透视表，可配置行索引、列标题、值列和聚合函数。

time_series_operations 只读

对时间序列进行重采样、计算滚动统计量、生成滞后特征或差分。

validate_data 只读

根据最小/最大值范围、数据类型、空值约束、唯一性和正则表达式模式等规则验证列。

filter_data 只读

使用比较、成员关系、模式匹配和空值检查等在多个列上过滤行。

optimize_memory 只读

通过自动数据类型优化和分块处理建议分析和减少 DataFrame 内存占用。

profile_data 只读

生成完整数据集分析报告：形状、类型、缺失值、分布、质量检查和可选相关性。

profile_csv 只读

快速分析 CSV 文件：行/列计数、每列数据类型、空值计数及数值列的最小/最大/均值。

使用场景

让 AI 助手加载销售数据、清洗缺失值、按地区计算统计量并另存为 Parquet 文件。

在对话中对 pandas DataFrame 执行统计摘要、相关性分析和假设检验。

自动优化大型 DataFrame 的内存占用以提升处理效率。

生成数据集的完整分析报告（profiling）以快速了解数据质量。

支持客户端

Claude Desktop部分支持

依据项目文档列出，未经本站实测。

详细介绍

CLIO Pandas 是 CLIO Kit 提供的一款 MCP 服务器，封装了 pandas 库的丰富功能，让 AI 助手能够加载 CSV、Excel、JSON、Parquet、HDF5 等多种格式的数据，执行统计摘要、相关性分析、假设检验、缺失值处理、数据清洗、分组聚合、合并、透视表、时间序列操作、筛选、校验、内存优化和数据分析报告等 16 项专业化操作。面向科研数据分析场景，可显著降低重复编码需求。

同仓库的其他 Server

源版本 93e41d70d6c2 数据同步于 2026-10-19 查看 FMRS 评分方法

CLIO Pandas

选型与风险

适合谁

不适合谁

所需权限

风险与副作用

安装接入

准备工作

验证是否装好

常见排障

试试这样问

工具能力 16

使用场景

支持客户端

详细介绍

同类可选方案

同仓库的其他 Server