Data Cleaning

data-analyst は、データ探索のために SQL、pandas、基礎的な統計分析へエージェントを導く、最小構成の GitHub スキルです。単一の SKILL.md プロンプト層で、コードに基づくクエリ、変換、解釈までまとめて引き出したいユーザーに向いています。

data-quality-frameworks は、dbt tests、Great Expectations、data contracts を使って本番データの検証計画を立てたいチーム向けのスキルです。適切なチェックの選定、テストピラミッドへの整理、そして Data Cleaning やパイプライン信頼性を支える CI/CD 対応のデータ品質ワークフロー設計に役立ちます。

dummy-dataset は、CSV、JSON、SQL、または Python スクリプト形式で、実在感のあるテストデータを生成します。列名、行数、制約を指定して、モックデータセット、デモ、データベースのシーディング、QA、データクレンジングに使える、信頼感のあるサンプルレコードを作成できます。

read-file は、DuckDB を使って CSV、JSON、Parquet、Avro、Excel、SQLite、空間データファイル、またはリモート URL を読み取り・確認するための skill です。行のプレビュー、スキーマ確認、データのプロファイリング、そして「このファイルに何が入っているか」の把握に使えます。ソースコードではなく、実データ資産に対する read-file の用途に最適です。

lamindb スキルは、オープンソースの生物学データ基盤 LaminDB を使いこなすためのものです。データを検索可能・追跡可能・再現可能・FAIR に保ちながら扱えます。Data Analysis における lamindb、メタデータのキュレーション、オントロジーに基づくアノテーション、スキーマ検証、ノートブックやパイプラインをまたぐ系譜を意識したワークフローに活用できます。

exploratory-data-analysis スキルは、科学系ファイルを形式に応じた EDA レポートへ変換します。ファイル形式を判別し、構造と品質を要約し、主要メタデータを抽出して、次の分析候補まで提案します。化学、生物情報学、顕微鏡画像、分光、プロテオミクス、メタボロミクスなど、さまざまな科学ファイル形式に対する exploratory-data-analysis を使ったデータ分析に適しています。