Pandas

senior-data-scientist est une skill Claude pour la conception de tests A/B, le raisonnement causal, le feature engineering et l’évaluation de ML tabulaire. Utilisez-la pour cadrer le dimensionnement d’échantillon, le choix des métriques, les contrôles de fuite de données, la revue SHAP et le suivi de type MLflow ; les scripts fournis sont des gabarits, pas des moteurs complets.

Réalisez une analyse cohortale de la rétention utilisateur, de l’érosion de l’engagement et de l’adoption des fonctionnalités par cohorte. Cet outil cohort-analysis est conçu pour les workflows d’analyse de données qui exigent validation, calcul, visualisation et insights clairs à partir de données structurées sur le comportement des utilisateurs.

detecting-beaconing-patterns-with-zeek aide à analyser les intervalles du fichier `conn.log` de Zeek pour détecter un beaconing de type C2. Le skill s’appuie sur ZAT, regroupe les flux par source, destination et port, puis attribue un score aux motifs à faible gigue à l’aide de contrôles statistiques. Il est particulièrement adapté aux équipes SOC, au threat hunting, à la réponse à incident et aux workflows d’audit de sécurité impliquant detecting-beaconing-patterns-with-zeek.

analyzing-api-gateway-access-logs aide à analyser des logs d’accès API Gateway pour détecter des tentatives de BOLA/IDOR, de contournement des limites de débit, de scanning d’identifiants et d’injection. Pensé pour le triage SOC, la threat hunting et les workflows d’audit de sécurité, il s’appuie sur une analyse basée sur pandas pour AWS API Gateway, Kong et des logs de type Nginx.

Seaborn est un skill seaborn pour la visualisation statistique en Python, avec des entrées compatibles pandas et des valeurs par défaut bien pensées. Servez-vous-en pour explorer rapidement des distributions, des relations, des comparaisons catégorielles, des box plots, des violin plots, des pair plots et des heatmaps. Basé sur matplotlib pour des graphiques statiques prêts à être publiés.

scikit-learn vous aide à construire des workflows de machine learning classique en Python. Utilisez ce skill scikit-learn pour la classification, la régression, le clustering, le prétraitement, l’évaluation des modèles, le réglage des hyperparamètres et les pipelines. C’est un guide pratique scikit-learn pour les données tabulaires et le développement reproductible de modèles.

pydeseq2 est une skill Python DESeq2 pour l’analyse différentielle de l’expression génique sur des données bulk RNA-seq. Utilisez-la pour comparer des conditions, ajuster des modèles à un ou plusieurs facteurs, appliquer des tests de Wald et une correction FDR, puis générer des graphiques volcano ou MA dans des workflows pandas et AnnData.

Skill geopandas pour l’analyse de données vectorielles géospatiales en Python, y compris les fichiers shapefiles, GeoJSON et GeoPackage. Utilisez-le pour lire, nettoyer, joindre, créer des buffers, découper, reprojeter et exporter des données spatiales avec moins d’hésitation.

chdb-datastore est un skill compatible avec pandas pour une analyse de données rapide, avec une API DataStore adossée à ClickHouse. Il prend en charge les connecteurs de fichiers, de bases de données et de cloud, les jointures entre sources, et des changements de code minimes pour des workflows de type pandas. Utilisez ce guide chdb-datastore lorsque vous voulez une couche d’analyse prête à l’emploi pour des jeux de données plus volumineux.