📦

data-analysis

Name: data-analysis
Author: BOHUYESHAN-APB

v1.0.0 Inhaltsrevision r1 Hohes Risiko ⚙️ Externe Befehle🔑 Umgebungsvariablen

Daten analysieren und Diagramme erstellen

Teams benötigen häufig schnelle Analyseskripte und konsistente Diagramme aus strukturierten Daten. Diese Skill erstellt Python-Workflows mit pandas, NumPy, matplotlib und seaborn für die Überprüfung in einer Sandbox.

Unterstützt: Claude Codex Code(CC)

⚠️ 38 Schlecht

Maintain this Skill? Claim it ⚠️ 38 Schlecht

Vor der Installation anhalten und eine Bestätigung anfordern.

Prüfen Sie den Plan und holen Sie vor Änderungen an Dateien die ausdrückliche Zustimmung des Benutzers ein.

Mit meinem Agent installieren

Kopieren Sie diese Anfrage in Ihren Agent. Sie enthält die maßgebliche Skill-Seite und das Manifest.

Agent-Anfrage

Review the Skillstore skill "data-analysis" from https://skillstore.io/skills/bohuyeshan-apb-data-analysis.md and its manifest at https://skillstore.io/api/skills/bohuyeshan-apb-data-analysis/manifest. Verify the artifact. Stop and obtain explicit user consent before installing or changing files.

Ihr Agent sollte weiterhin seinen Plan anzeigen und alle von der Sicherheitsrichtlinie verlangten Bestätigungen anfordern.

Agent-lesbare Ressourcen

Verwenden Sie diese Links, wenn ein KI-Agent, Crawler oder Skript sauberen Kontext benötigt, statt die vollständige Seite zu lesen.

Markdown-Detailseite GET /skills/bohuyeshan-apb-data-analysis.md Signiertes manifest GET /api/skills/bohuyeshan-apb-data-analysis/manifest Signiertes lockfile GET /api/skills/bohuyeshan-apb-data-analysis/lockfile

Testen

„data-analysis“ wird verwendet. Eine Verkaufstabelle mit Spalten für Region, Datum, Umsatz und Produktkategorie.

Erwartetes Ergebnis:

Ein Python-Analyseworkflow, der Umsatz nach Region und Kategorie gruppiert, fehlende Werte meldet und ein gestaltetes Vergleichsdiagramm speichert.

„data-analysis“ wird verwendet. Ein Datensatz zur Kundenaktivität mit Feldern für Registrierungsdatum, Tarif und monatliche Nutzung.

Erwartetes Ergebnis:

Ein zeitbasierter Analyseplan mit monatlicher Aggregation, Vergleichen auf Tarifebene und einem Liniendiagramm für Nutzungstrends.

„data-analysis“ wird verwendet. Ein Umfrageexport mit Bewertungsspalten und frei formulierten Labels.

Erwartetes Ergebnis:

Ein Bereinigungs- und Visualisierungsworkflow, der Antwortverteilungen zusammenfasst und eine gut lesbare Heatmap erstellt.

Sicherheitsaudit

Hohes Risiko

v12 • 9.7.2026 Versionsbericht öffnen

The backtick findings are false positives caused by Markdown inline code and code fence parsing, not shell execution. The skill does read OpenAI API configuration from environment and application settings, and it generates runnable Python code from user-provided context, so publication should require clear sandbox and credential handling guidance.

Gescannte Dateien

120

Analysierte Zeilen

Prüfelemente

Falschmeldungen ignoriert

Bestätigte Sicherheitsbedenken (1)

Hoch

scripts/code_generator.py:21-50 SKILL.md:28

Model-Generated Python Intended for Execution

The skill generates complete runnable Python scripts from user-supplied data context and requirements, and the documentation says the code can be executed in a sandbox. This is useful, but unsafe execution outside a sandbox could run unintended code over local files or data.

The code explicitly asks an LLM to write a complete runnable Python script, extracts the returned code, and returns it. The documentation confirms this generated code is intended for sandbox execution.

Elemente der Fähigkeitsprüfung (11)

Dies sind echte lokale Fähigkeiten, die für diese Fähigkeit erwartet werden können; daher müssen sie überprüft werden, werden jedoch nicht als bestätigtes bösartiges Verhalten gezählt.

Hoch

scripts/code_generator.py:11

Generic API/secret keys

api_key = role_config.get("api_key") or os.getenv("OPENAI_API_KEY")

The code obtains an API key from config or OPENAI_API_KEY. No hardcoded secret is present, but runtime secret access is real.

Hoch

scripts/code_generator.py:14

Generic API/secret keys

if not api_key:

The condition branches on whether an API key exists, confirming credential-dependent behavior. This is not a literal secret, but it is part of runtime secret handling.

Hoch

scripts/code_generator.py:16

Generic API/secret keys

api_key = settings.OPENAI_API_KEY

The code falls back to settings.OPENAI_API_KEY. This is direct application secret access and should be disclosed.

Hoch

scripts/code_generator.py:19

Generic API/secret keys

return AsyncOpenAI(api_key=api_key, base_url=base_url)

The API key is passed into AsyncOpenAI along with a configurable base URL. This is expected usage, but it creates credential exposure risk if endpoint configuration is untrusted.

Niedrig

scripts/code_generator.py:11

Python getenv function

api_key = role_config.get("api_key") or os.getenv("OPENAI_API_KEY")

The code reads OPENAI_API_KEY from the environment. This is intentional credential access and must be disclosed and protected.

Niedrig

scripts/code_generator.py:12

Python getenv function

base_url = role_config.get("base_url") or os.getenv("OPENAI_BASE_URL")

The code reads OPENAI_BASE_URL from the environment and uses it for the client endpoint. A configurable endpoint affects where API credentials are sent.

Niedrig

scripts/code_generator.py:11

getenv function call

api_key = role_config.get("api_key") or os.getenv("OPENAI_API_KEY")

The getenv call directly accesses OPENAI_API_KEY. The behavior is legitimate for an OpenAI client but remains real environment secret access.

Niedrig

scripts/code_generator.py:12

getenv function call

base_url = role_config.get("base_url") or os.getenv("OPENAI_BASE_URL")

The getenv call reads OPENAI_BASE_URL and influences the destination for the API client. This is real environment configuration access.

Niedrig

scripts/code_generator.py:10

Configuration library

role_config = self.config.get("researcher") or {} # Re-use researcher config

The code reads researcher configuration that may include credential and endpoint values. This is expected configuration access but relevant for marketplace risk disclosure.

Niedrig

scripts/code_generator.py:11

Configuration library

api_key = role_config.get("api_key") or os.getenv("OPENAI_API_KEY")

The configuration value may provide api_key before falling back to the environment. This is real credential configuration access.

Niedrig

scripts/code_generator.py:12

Configuration library

base_url = role_config.get("base_url") or os.getenv("OPENAI_BASE_URL")

The configuration value may provide base_url for the OpenAI client. Endpoint configuration should be treated as security-sensitive when paired with an API key.

Geprüft von: claude Audit-Verlauf anzeigen →

Diesen Bericht teilen & zitieren

Teile den versionierten Bewertungsbericht, das neutrale Badge, die Einbettungskarte und Zitate. Skillstore berichtet Nachweise, ohne zu entscheiden, ob dieser Skill sicher ist.

Versionsbericht öffnen

Berichtslink kopieren

https://skillstore.io/skills/bohuyeshan-apb-data-analysis/audits/12?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report

Markdown-Badge

[![Skillstore security assessment](https://skillstore.io/badges/skills/bohuyeshan-apb-data-analysis/security.svg)](https://skillstore.io/skills/bohuyeshan-apb-data-analysis?utm_source=security_passport_badge)

HTML-Badge

<a href="https://skillstore.io/skills/bohuyeshan-apb-data-analysis?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/bohuyeshan-apb-data-analysis/security.svg" alt="Skillstore security assessment" loading="lazy"></a>

Einbettungskarte

<iframe src="https://skillstore.io/embed/skills/bohuyeshan-apb-data-analysis.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>

Wissenschaftliche Zitate (APA · BibTeX · CFF)

APA-Zitat

BOHUYESHAN-APB. (2026). data-analysis security audit report (audit version 12) [Author version 1.0.0]. Skillstore. https://skillstore.io/skills/bohuyeshan-apb-data-analysis/audits/12

BibTeX-Zitat

@techreport{bohuyeshan-apb-bohuyeshan-apb-data-analysis-2026,
  author = {BOHUYESHAN-APB},
  title = {data-analysis security audit report (audit version 12)},
  institution = {Skillstore},
  year = {2026},
  number = {12},
  url = {https://skillstore.io/skills/bohuyeshan-apb-data-analysis/audits/12},
  note = {Author version 1.0.0}
}

CITATION.cff

cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "data-analysis security audit report (audit version 12)"
version: "1.0.0"
type: report
authors:
  - name: "BOHUYESHAN-APB"
date-released: "2026-07-09"
url: "https://skillstore.io/skills/bohuyeshan-apb-data-analysis/audits/12"
identifiers:
  - type: other
    value: "skillstore:bohuyeshan-apb-data-analysis:audit:12"
    description: "Skillstore immutable audit report identifier"

Varianten vergleichen

3 installierbare Varianten

Jeder Autor bleibt ein eigener installierbarer Skill. Die empfohlene Variante wird nach Skillstore-Nachweisen bewertet.

Warum diese Variante zuerst steht

Höchster Skillstore-Score

Autor / Quelle Skillstore-Score Evidenzvertrauen Skillstore-Nutzung Aktualisiert

supercent-io Empfohlen

supercent-io-data-analysis

Skillstore-Score 78

Evidenzvertrauen Hoch

Skillstore-Nutzung 46

Aktualisiert

2026-09-09

Acurioustractor

acurioustractor-data-analysis

Skillstore-Score 70

Evidenzvertrauen Hoch

Skillstore-Nutzung 22

Aktualisiert

2026-10-21

BOHUYESHAN-APB Aktuell

bohuyeshan-apb-data-analysis

Skillstore-Score 38

Evidenzvertrauen Mittel

Skillstore-Nutzung 15

Aktualisiert

2026-09-09

Skillstore-Score

Warum dieser Score Evidenzvertrauen: Mittel

Architektur

100

Wartbarkeit

Inhalt

Gemeinschaft

Spezifikationskonformität

Was Sie erstellen können

Einen CSV-Datensatz untersuchen

Erstelle einen pandas-Workflow, der Spalten profiliert, fehlende Werte zusammenfasst und Diagramme für die Überprüfung vorbereitet.

Präsentationsvisualisierungen erstellen

Erstelle Diagrammskripte, die konsistentes Styling für Berichte, Notebooks oder generierte Dokumente verwenden.

Analyseautomatisierung prototypisieren

Wandle eine Analyseanforderung in natürlicher Sprache in ein ausführbares Python-Skript für eine kontrollierte Sandbox um.

Diese Prompts ausprobieren

Einen kleinen Datensatz zusammenfassen

Analysiere diesen Datensatzkontext und erstelle ein einfaches Python-Skript, das wichtige Spalten und fehlende Werte zusammenfasst. Füge ein klares Diagramm ein.

Gruppen in tabellarischen Daten vergleichen

Erstelle Analysecode, der die Daten nach der benannten Kategorie gruppiert, die Hauptmetrik über Gruppen hinweg vergleicht und ein gut lesbares Balkendiagramm speichert.

Trends im Zeitverlauf untersuchen

Generiere ein Python-Analyseskript, das die Datumsspalte parst, die Metrik nach Monat aggregiert, Trendänderungen hervorhebt und ein Liniendiagramm speichert.

Einen diagrammbereiten Analyseworkflow erstellen

Verwende den bereitgestellten Datenkontext, um ein vollständiges, sandboxbereites Analyseskript zu erstellen. Bereinige ungültige Zeilen, berechne gruppierte Metriken und erzeuge eine Visualisierung in Publikationsqualität.

Bewährte Praktiken

Führe generierte Skripte nur in einer Sandbox mit eingeschränktem Datei- und Netzwerkzugriff aus.
Gib klare Spaltennamen, Datentypen und die genaue zu beantwortende Frage an.
Überprüfe generierte Analyseschritte, bevor du Ergebnisse für Geschäftsentscheidungen verwendest.

Vermeiden

Führe generierten Code nicht direkt auf sensiblen Produktionssystemen aus.
Nimm keine Secrets oder privaten Kundendaten in den Analyseprompt auf.
Gehe nicht davon aus, dass generierte Diagramme ohne statistische Überprüfung Kausalität beweisen.

Häufig gestellte Fragen

Was generiert diese Skill?

Sie generiert Python-Analyse- und Visualisierungsskripte mit pandas, NumPy, matplotlib und seaborn.

Führt sie den generierten Code aus?

Die überprüften Dateien generieren Code für die Nutzung in der Sandbox. Sichere Ausführung hängt von der Host-Umgebung ab.

Welche Anmeldedaten benötigt sie?

Sie verwendet einen OpenAI-kompatiblen API-Schlüssel und eine optionale Basis-URL aus der Konfiguration oder aus Umgebungsvariablen.

Kann sie jeden Dateityp analysieren?

Die Skill ist auf strukturierten Datenkontext ausgerichtet. Unterstützung für das Laden von Dateien hängt von der umgebenden Anwendung ab.

Kann Claude Code diese Skill verwenden?

Ja. Der Bericht führt Claude Code, Claude und Codex als unterstützte Tools auf.

Wie sollte ich die Ausgabe überprüfen?

Überprüfe die Bereinigungsschritte, Aggregationslogik, Diagrammbeschriftungen und Sandbox-Kontrollen, bevor du Ergebnisse ausführst oder teilst.

Entwicklerdetails

Autor

BOHUYESHAN-APB

Lizenz

MIT

Autorenversion

v1.0.0

Skillstore-Revision

Repository

https://github.com/BOHUYESHAN-APB/N-T-AI/tree/main/backend/app/skills/common/data_analysis_skill

Ref.

7db9b9f06e0ab79c575b58bc48c4d8dc9849f424

Aktualität der Wartung

18.7.2026

Nutzung

7 Downloads · 183 Aufrufe

Dateistruktur

📁 scripts/

📄 code_generator.py

📄 visualizer.py

📄 SKILL.md

data-analysis

Mit meinem Agent installieren

Agent-lesbare Ressourcen

Testen

Sicherheitsaudit

Bestätigte Sicherheitsbedenken (1)

Risikofaktoren

Berichtslink kopieren

Markdown-Badge

HTML-Badge

Einbettungskarte

APA-Zitat

BibTeX-Zitat

CITATION.cff

Varianten vergleichen

Skillstore-Score

Was Sie erstellen können

Einen CSV-Datensatz untersuchen

Präsentationsvisualisierungen erstellen

Analyseautomatisierung prototypisieren

Diese Prompts ausprobieren

Bewährte Praktiken

Vermeiden

Häufig gestellte Fragen

Entwicklerdetails