Skip to main content
Glama
wzx11223344

Stats Engine MCP Server

by wzx11223344
OverviewSchemaRelated ServersScoreDiscussions
Python
Local

MCP 统计分析服务器 (mcp-stats-engine)

一个基于 Model Context Protocol (MCP) 的统计分析服务器，提供 30 个专业统计工具，涵盖描述性统计、假设检验、回归分析和时间序列分析四大模块。所有工具返回 Markdown 格式的分析报告，数组参数以逗号分隔字符串传递，便于 AI 代理直接调用和展示。

特性

  • 30 个专业统计工具: 覆盖统计分析全流程

  • Markdown 输出: 所有工具返回格式化的 Markdown 字符串，包含表格、统计量和结论解读

  • FastMCP 框架: 基于 mcp.server.fastmcp.FastMCP 和 @mcp.tool() 装饰器

  • 科学计算引擎: 使用 scipy.stats 和 statsmodels 实现统计计算

  • 简洁的参数设计: 数组参数以逗号分隔字符串传递，多组数据以分号分隔

  • 自动结论解读: 每个工具都包含基于 p 值和效应量的自动统计结论

Related MCP server: eda-mcp

安装方法

1. 安装依赖

pip install -r requirements.txt

依赖包列表:

  • mcp>=1.0.0 - MCP 协议框架

  • scipy - 科学计算

  • statsmodels - 统计建模

  • numpy - 数值计算

  • pandas - 数据处理

2. 配置 MCP 客户端

在 MCP 客户端配置文件中添加以下配置（以 Claude Desktop 为例）:

{
  "mcpServers": {
    "stats-engine": {
      "command": "python",
      "args": ["path/to/mcp-stats-engine/server.py"]
    }
  }
}

3. 启动服务器

python server.py

使用示例

描述性统计

工具: descriptive_statistics_tool
参数: data = "12,15,14,10,18,20,17,16,13,19"

双样本 t 检验

工具: two_sample_ttest_tool
参数:
  group1 = "25,28,30,32,35,27,29,31,33,26"
  group2 = "20,22,24,26,28,21,23,25,27,22"
  equal_var = true

单因素方差分析

工具: anova_test_tool
参数: groups_data = "1,2,3,4,5;2,4,6,8,10;3,5,7,9,11"

OLS 线性回归

工具: ols_regression_tool
参数:
  y_data = "1,2,3,4,5,6,7,8,9,10"
  x_data = "2,4,5,7,9,11,12,14,15,17"

ARIMA 预测

工具: arima_forecast_tool
参数:
  data = "30,28,32,35,33,31,29,27,30,33,36,34,32,30,33,36,38,35,33,31"
  order = "1,0,1"
  forecast_steps = 5

正态性检验

工具: normality_test_tool
参数:
  data = "12,15,14,10,18,20,17,16,13,19,22,25"
  method = "shapiro"

工具列表

辅助工具 (4个)

工具

说明

parse_data_string_tool

数据解析（逗号分隔字符串转数值列表）

confidence_interval_tool

置信区间计算（基于 t 分布）

effect_size_tool

效应量计算（Cohen's d / Glass's delta）

power_analysis_tool

功效分析（样本量计算）

描述性统计 (6个)

工具

说明

descriptive_statistics_tool

描述性统计（均值/中位数/众数/方差/偏度/峰度/四分位数）

frequency_distribution_tool

频数分布表

five_number_summary_tool

五数概括（Min/Q1/Median/Q3/Max）

correlation_analysis_tool

相关分析（Pearson/Spearman/Kendall）

covariance_matrix_tool

协方差矩阵

outlier_detection_tool

异常值检测（IQR/Z-score）

假设检验 (8个)

工具

说明

one_sample_ttest_tool

单样本 t 检验

two_sample_ttest_tool

双样本 t 检验（含 Welch's t 检验）

paired_ttest_tool

配对 t 检验

chi_square_test_tool

卡方检验（拟合优度）

anova_test_tool

单因素方差分析 (ANOVA)

mann_whitney_test_tool

Mann-Whitney U 检验（非参数）

wilcoxon_test_tool

Wilcoxon 符号秩检验（非参数配对）

normality_test_tool

正态性检验（Shapiro-Wilk/K-S）

回归分析 (6个)

工具

说明

ols_regression_tool

OLS 线性回归（一元）

multiple_regression_tool

多元线性回归

logistic_regression_tool

Logistic 回归（统计视角）

weighted_regression_tool

加权最小二乘回归 (WLS)

residual_analysis_tool

残差分析（正态性/独立性/同方差性）

multicollinearity_check_tool

多重共线性检验 (VIF)

时间序列分析 (6个)

工具

说明

decompose_timeseries_tool

时间序列分解（趋势/季节/残差）

acf_pacf_analysis_tool

ACF/PACF 分析

adf_test_tool

ADF 单位根检验

kpss_test_tool

KPSS 平稳性检验

arima_forecast_tool

ARIMA 预测

granger_causality_tool

Granger 因果检验

技术栈

技术

用途

MCP

Model Context Protocol 通信框架

FastMCP

MCP Python 服务器框架

SciPy

科学计算与统计检验 (scipy.stats)

Statsmodels

统计建模 (OLS/WLS/Logit/ARIMA/时间序列)

NumPy

数值计算

Pandas

数据处理

项目结构

mcp-stats-engine/
├── server.py              # 主入口，FastMCP 服务器
├── descriptive_tools.py   # 描述性统计工具（6个）
├── hypothesis_tools.py    # 假设检验工具（8个）
├── regression_tools.py    # 回归分析工具（6个）
├── timeseries_tools.py    # 时间序列工具（6个）
├── utils.py               # 辅助函数（4个工具）
├── README.md              # 项目文档
├── SKILL.md               # SkillHub 技能描述
└── requirements.txt       # 依赖

许可证

MIT License

This server cannot be installed

F
license - not found
-
quality - not tested
B
maintenance

How are these scores calculated?

Maintenance

–Maintainers
–Response time
–Release cycle
–Releases (12mo)
Commit activity

Resources

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Latest Blog Posts

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/wzx11223344/mcp-stats-engine'

If you have feedback or need assistance with the MCP directory API, please join our Discord server