Pandas

senior-data-scientist ist ein Claude Skill für A/B-Testdesign, kausale Analysen, Feature Engineering und die Bewertung tabellarischer ML-Modelle. Er hilft bei Stichprobengrößen, Metrikauswahl, Leakage-Prüfungen, SHAP-Reviews und MLflow-style Tracking; die Skripte sind Gerüstvorlagen, keine vollständigen Engines.

Führe cohort-analysis für Nutzerbindung, Engagement-Abnahme und Feature-Adoption nach Kohorte durch. Diese cohort-analysis Skill ist für Data-Analysis-Workflows gedacht, die Validierung, Berechnung, Visualisierung und klare Erkenntnisse aus strukturierten Nutzungsdaten benötigen.

detecting-beaconing-patterns-with-zeek hilft dabei, Intervalle in Zeek-`conn.log` zu analysieren, um C2-ähnliches Beaconing zu erkennen. Es nutzt ZAT, gruppiert Verbindungen nach Quelle, Ziel und Port und bewertet Muster mit geringer Jitter-Varianz anhand statistischer Prüfungen. Ideal für SOC, Threat Hunting, Incident Response und die Nutzung von detecting-beaconing-patterns-with-zeek in Security-Audit-Workflows.

analyzing-api-gateway-access-logs hilft dabei, API-Gateway-Access-Logs zu parsen, um BOLA/IDOR, Umgehung von Rate-Limits, Credential-Scanning und Injektionsversuche zu erkennen. Entwickelt für SOC-Triage, Threat Hunting und Security-Audit-Workflows mit AWS API Gateway, Kong und Nginx-ähnlichen Logs auf Basis einer pandas-gestützten Analyse.

Seaborn ist ein seaborn-Skill für statistische Visualisierung in Python mit pandas-freundlichen Eingaben und starken Standardwerten. Verwenden Sie ihn für schnelles Explorieren von Verteilungen, Zusammenhängen, kategorialen Vergleichen, Boxplots, Violinplots, Pairplots und Heatmaps. Auf matplotlib aufgebaut, für statische, publikationsreife Diagramme.

scikit-learn hilft Ihnen, klassische Machine-Learning-Workflows in Python aufzubauen. Nutzen Sie diese scikit-learn-Skill für Klassifikation, Regression, Clustering, Vorverarbeitung, Modellauswertung, Hyperparameter-Tuning und Pipelines. Sie ist ein praxisnaher scikit-learn-Leitfaden für tabellarische Daten und reproduzierbare Modellentwicklung.

pydeseq2 ist ein Python-DESeq2-Skill für die Differential-Expressionsanalyse von Bulk-RNA-seq-Daten. Verwenden Sie ihn, um Bedingungen zu vergleichen, Einzel- oder Mehrfaktor-Designs zu modellieren, Wald-Tests und FDR-Korrekturen anzuwenden sowie Volcano- oder MA-Plots in pandas- und AnnData-Workflows zu erstellen.

geopandas-Skill für die georäumliche Analyse von Vektordaten in Python, inklusive Shapefiles, GeoJSON- und GeoPackage-Dateien. Damit können Sie räumliche Daten lesen, bereinigen, zusammenführen, puffern, zuschneiden, reprojizieren und exportieren – mit weniger Rätselraten.

chdb-datastore ist ein pandas-kompatibles Skill für schnelle Datenanalyse mit einer von ClickHouse gestützten DataStore-API. Es unterstützt Connectoren für Dateien, Datenbanken und Cloud-Dienste, Cross-Source-Joins und minimale Codeänderungen für pandas-ähnliche Workflows. Nutzen Sie diesen chdb-datastore-Leitfaden, wenn Sie eine Drop-in-Analyseschicht für größere Datensätze suchen.