feat(dc): Complete Tool C quick action buttons Phase 1-2 - 7 functions

Summary:
- Implement 7 quick action functions (filter, recode, binning, conditional, dropna, compute, pivot)
- Refactor to pre-written Python functions architecture (stable and secure)
- Add 7 Python operations modules with full type hints
- Add 7 frontend Dialog components with user-friendly UI
- Fix NaN serialization issues and auto type conversion
- Update all related documentation

Technical Details:
- Python: operations/ module (filter.py, recode.py, binning.py, conditional.py, dropna.py, compute.py, pivot.py)
- Backend: QuickActionService.ts with 7 execute methods
- Frontend: 7 Dialog components with complete validation
- Toolbar: Enable 7 quick action buttons

Status: Phase 1-2 completed, basic testing passed, ready for further testing

extraction_service/operations/pivot.py

@@ -0,0 +1,161 @@
+"""
+Pivot操作 - 预写函数
+长表转宽表（一人多行 → 一人一行）
+"""
+
+import pandas as pd
+from typing import List, Literal, Optional
+
+
+def pivot_long_to_wide(
+    df: pd.DataFrame,
+    index_column: str,
+    pivot_column: str,
+    value_columns: List[str],
+    aggfunc: Literal['first', 'last', 'mean', 'sum', 'min', 'max'] = 'first'
+) -> pd.DataFrame:
+    """
+    长表转宽表（Pivot）
+    
+    将纵向重复的数据转为横向数据
+    
+    Args:
+        df: 输入数据框
+        index_column: 索引列（唯一标识，如 Record ID）
+        pivot_column: 透视列（将变成新列名的列，如 Event Name）
+        value_columns: 值列（要转置的数据列，如 FMA得分, ADL得分）
+        aggfunc: 聚合函数
+            - 'first': 取第一个值（推荐）
+            - 'last': 取最后一个值
+            - 'mean': 求平均值
+            - 'sum': 求和
+            - 'min': 取最小值
+            - 'max': 取最大值
+    
+    Returns:
+        宽表数据框
+    
+    示例:
+        pivot_long_to_wide(
+            df,
+            index_column='Record ID',
+            pivot_column='Event Name',
+            value_columns=['FMA得分', 'ADL得分'],
+            aggfunc='first'
+        )
+    """
+    result = df.copy()
+    
+    print(f'原始数据: {len(result)} 行 × {len(result.columns)} 列')
+    print(f'索引列: {index_column}')
+    print(f'透视列: {pivot_column}')
+    print(f'值列: {", ".join(value_columns)}')
+    print(f'聚合方式: {aggfunc}')
+    print('')
+    
+    # 验证列是否存在
+    required_cols = [index_column, pivot_column] + value_columns
+    missing_cols = [col for col in required_cols if col not in result.columns]
+    if missing_cols:
+        raise ValueError(f'以下列不存在: {", ".join(missing_cols)}')
+    
+    # 检查索引列的唯一值数量
+    unique_index = result[index_column].nunique()
+    print(f'唯一{index_column}数量: {unique_index}')
+    
+    # 检查透视列的唯一值
+    unique_pivot = result[pivot_column].unique()
+    print(f'透视列"{pivot_column}"的唯一值: {list(unique_pivot)}')
+    print('')
+    
+    try:
+        # 执行Pivot转换
+        df_pivot = result.pivot_table(
+            index=index_column,
+            columns=pivot_column,
+            values=value_columns,
+            aggfunc=aggfunc
+        )
+        
+        # 展平多级列名
+        # 如果只有一个值列，列名是单层的
+        if len(value_columns) == 1:
+            df_pivot.columns = [f'{value_columns[0]}_{col}' for col in df_pivot.columns]
+        else:
+            # 多个值列，列名是多层的，需要展平
+            df_pivot.columns = ['_'.join(str(c) for c in col).strip() for col in df_pivot.columns.values]
+        
+        # 重置索引（将index列变回普通列）
+        df_pivot = df_pivot.reset_index()
+        
+        print(f'转换成功！')
+        print(f'结果: {len(df_pivot)} 行 × {len(df_pivot.columns)} 列')
+        print(f'新增列: {len(df_pivot.columns) - 1} 列')
+        print('')
+        
+        # 显示新列名
+        print(f'生成的列名:')
+        new_cols = [col for col in df_pivot.columns if col != index_column]
+        for i, col in enumerate(new_cols[:10], 1):  # 只显示前10个
+            print(f'  {i}. {col}')
+        if len(new_cols) > 10:
+            print(f'  ... 还有 {len(new_cols) - 10} 列')
+        
+        return df_pivot
+        
+    except ValueError as e:
+        # Pivot失败（可能有重复的index+pivot组合）
+        if 'Index contains duplicate entries' in str(e):
+            # 统计重复情况
+            duplicates = result.groupby([index_column, pivot_column]).size()
+            duplicates = duplicates[duplicates > 1]
+            
+            print('⚠️  警告: 发现重复的索引+透视组合:')
+            for (idx, piv), count in duplicates.head(5).items():
+                print(f'  {index_column}={idx}, {pivot_column}={piv}: {count}次')
+            
+            if len(duplicates) > 5:
+                print(f'  ... 还有 {len(duplicates) - 5} 个重复组合')
+            
+            print(f'\n建议: 使用聚合函数（如mean、sum）处理重复值')
+            print(f'当前聚合方式: {aggfunc}')
+            
+            raise ValueError(f'存在重复的{index_column}+{pivot_column}组合，需要选择合适的聚合方式')
+        else:
+            raise e
+
+
+def get_pivot_preview(
+    df: pd.DataFrame,
+    index_column: str,
+    pivot_column: str
+) -> dict:
+    """
+    获取Pivot预览信息
+    
+    Args:
+        df: 输入数据框
+        index_column: 索引列
+        pivot_column: 透视列
+    
+    Returns:
+        预览信息
+    """
+    # 统计唯一值
+    unique_index = df[index_column].nunique()
+    unique_pivot = df[pivot_column].unique()
+    
+    # 检查是否有重复
+    duplicates = df.groupby([index_column, pivot_column]).size()
+    has_duplicates = (duplicates > 1).any()
+    duplicate_count = (duplicates > 1).sum() if has_duplicates else 0
+    
+    return {
+        'unique_index_count': int(unique_index),
+        'unique_pivot_values': [str(v) for v in unique_pivot],
+        'has_duplicates': bool(has_duplicates),
+        'duplicate_count': int(duplicate_count),
+        'estimated_rows': int(unique_index),
+        'estimated_columns': len(unique_pivot)
+    }
+