par Shubhamsaboo
data-analyst est une skill GitHub minimaliste qui oriente les agents vers SQL, pandas et l’analyse statistique de base pour l’exploration de données. Elle convient surtout aux utilisateurs qui veulent obtenir, depuis une seule couche de prompt SKILL.md, des requêtes, des transformations et des interprétations appuyées par du code.
par wshobson
La skill data-quality-frameworks aide les équipes à concevoir la validation des données en production avec les tests dbt, Great Expectations et les data contracts. Utilisez-la pour choisir les bons contrôles, les organiser selon une pyramide de tests et structurer des workflows de qualité des données compatibles CI/CD pour le Data Cleaning et la fiabilité des pipelines.
par phuryn
dummy-dataset génère des données de test réalistes au format CSV, JSON, SQL ou script Python. Il est utile pour créer des jeux de données fictifs, des démonstrations, du remplissage initial de bases de données, des tests QA et du nettoyage de données, en vous permettant de définir les colonnes, le nombre de lignes et des contraintes pour obtenir des exemples crédibles.
par duckdb
read-file aide un agent à lire et inspecter des fichiers CSV, JSON, Parquet, Avro, Excel, SQLite, des fichiers spatiaux ou des URL distantes avec DuckDB. Utilisez-le pour prévisualiser des lignes, vérifier le schéma, profiler les données et répondre à la question : qu’y a-t-il dans ce fichier ? Il est surtout adapté à l’usage de read-file sur de vrais artefacts de données, pas sur du code source.
par K-Dense-AI
Le skill lamindb vous aide à travailler avec LaminDB, un framework open source pour les données biologiques, conçu pour rendre les données interrogeables, traçables, reproductibles et conformes aux principes FAIR. Utilisez-le pour lamindb dans l’analyse de données, la curation des métadonnées, l’annotation fondée sur des ontologies, la validation de schéma et les workflows sensibles à la lignée des données dans les notebooks et les pipelines.
par K-Dense-AI
Le skill exploratory-data-analysis transforme des fichiers scientifiques en rapports d’EDA adaptés au format. Il détecte le type de fichier, résume la structure et la qualité, extrait les métadonnées clés et suggère les analyses à poursuivre. Utilisez-le pour l’exploratory-data-analysis dans l’analyse de données, en chimie, bioinformatique, microscopie, spectroscopie, protéomique, métabolomique et d’autres formats de fichiers scientifiques.
