Data Cleaning

data-analyst ist ein schlankes GitHub-Skill, das Agents bei SQL, pandas und grundlegender statistischer Analyse für die Datenexploration anleitet. Am besten geeignet für Nutzer, die codegestützte Abfragen, Transformationen und Interpretationen aus einer einzigen SKILL.md-Prompt-Schicht erhalten möchten.

zerobounce-automation unterstützt Agents dabei, Zerobounce-Workflows über Rube MCP auszuführen, die Verbindung zu prüfen und vor der Ausführung zuerst RUBE_SEARCH_TOOLS zu nutzen, um die aktuellen Schemas zu ermitteln.

interzoid-automation hilft Agenten, Interzoid-Workflows über Composio Rube MCP auszuführen: aktuelle Tools ermitteln, die Interzoid-Verbindung prüfen und Eingaben vor der Ausführung zuordnen.

google-address-validation-automation unterstützt Agents dabei, Google Address Validation über Composio Rube MCP auszuführen – inklusive Verbindungsprüfungen und Tool-Schema-Discovery vor der Validierung. Nützlich für Data Cleaning-Workflows, in denen Adressdatensätze normalisiert, geprüft und überprüft werden.

dadata-ru-automation unterstützt Agents dabei, Dadata Ru-Workflows über Composio Rube MCP auszuführen. Dafür sind Tool Discovery, Prüfungen auf eine aktive dadata_ru-Verbindung und schema-basierte Ausführung für Adress-, Unternehmens-, Bank- und Datenqualitäts-Automatisierung erforderlich.

Die data-quality-frameworks Skill unterstützt Teams dabei, die Validierung von Produktionsdaten mit dbt tests, Great Expectations und Data Contracts zu planen. Nutzen Sie sie, um die passenden Prüfungen auszuwählen, sie einer Testing-Pyramide zuzuordnen und CI/CD-taugliche Data-Quality-Workflows für Data Cleaning und zuverlässige Pipelines aufzusetzen.

dummy-dataset erzeugt realistische Testdaten als CSV, JSON, SQL oder Python-Skript. Es hilft bei Mock-Datasets, Demos, dem Befüllen von Datenbanken, QA und Datenbereinigung, indem Sie Spalten, Zeilenzahlen und Einschränkungen für glaubwürdige Beispieldaten definieren können.

read-file hilft einem Agenten dabei, CSV-, JSON-, Parquet-, Avro-, Excel-, SQLite-, Geodaten-Dateien oder entfernte URLs mit DuckDB zu lesen und zu prüfen. Nutze es, um Zeilen vorzuschauen, das Schema zu prüfen, Daten zu profilieren und zu beantworten, was in dieser Datei steckt. Am besten eignet sich read-file für echte Datenartefakte, nicht für Quellcode.

Die lamindb-Skill hilft dir bei der Arbeit mit LaminDB, einem Open-Source-Framework für biologische Daten, das Daten abfragbar, nachvollziehbar, reproduzierbar und FAIR macht. Nutze sie für lamindb bei der Datenanalyse, Metadatenkuratierung, ontologiebasierten Annotation, Schema-Validierung und lineage-bewussten Workflows in Notebooks und Pipelines.

Die exploratory-data-analysis-Skill verwandelt wissenschaftliche Dateien in formatbewusste EDA-Berichte. Sie erkennt den Dateityp, fasst Struktur und Qualität zusammen, extrahiert wichtige Metadaten und schlägt Folgeanalysen vor. Nutzen Sie sie für exploratory-data-analysis zur Datenanalyse in Chemie, Bioinformatik, Mikroskopie, Spektroskopie, Proteomik, Metabolomik und anderen wissenschaftlichen Dateiformaten.