Datadata-DQL-Datenskripte erstellen
Das Schreiben von Datadata-DQL-Skripten erfordert plattformspezifische Starlark-Syntax und Daten-APIs. Diese Skill unterstützt Claude, Codex und Claude Code beim Erstellen von Workflows für Abfragen, Abrufe, DataFrames und Validierung.
Kopieren Sie diese Anfrage in Ihren Agent. Sie enthält die maßgebliche Skill-Seite und das Manifest.
Review the Skillstore skill "datadata-dql" from https://skillstore.io/skills/datadata-team-datadata-dql.md and its manifest at https://skillstore.io/api/skills/datadata-team-datadata-dql/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.Ihr Agent sollte weiterhin seinen Plan anzeigen und alle von der Sicherheitsrichtlinie verlangten Bestätigungen anfordern.
Verwenden Sie diese Links, wenn ein KI-Agent, Crawler oder Skript sauberen Kontext benötigt, statt die vollständige Seite zu lesen.
„datadata-dql“ wird verwendet. Create a DQL script to compare current month revenue with previous month revenue.
Erwartetes Ergebnis:
Das Ergebnis enthält einen Skriptplan, der beide Zeiträume abfragt, die Umsatzveränderung berechnet, einen vorherigen Umsatz von null behandelt und Vergleichsfelder zurückgibt.
„datadata-dql“ wird verwendet. Clean a customer table before an RFM analysis.
Erwartetes Ergebnis:
Das Ergebnis beschreibt einen DQL-Workflow, der erforderliche Spalten prüft, Duplikate entfernt, fehlende Werte validiert und einen vorbereiteten Kundendatensatz zurückgibt.
„datadata-dql“ wird verwendet. Inspect an external API response before transforming it.
Erwartetes Ergebnis:
Das Ergebnis gibt zuerst den Antworttyp und einen Beispielinhalt zurück, damit der Benutzer die Struktur bestätigen kann, bevor die endgültige Transformationslogik geschrieben wird.
No evidence of prompt injection, malware, or install-time execution was found. The static findings are false positives from Markdown code formatting, type-stub docstrings, SQL examples, and documented DQL fetch examples that use placeholder domains. The skill does describe network-capable DQL scripts, so users should approve real endpoints and data sharing before running generated scripts.
Teile den versionierten Bewertungsbericht, das neutrale Badge, die Einbettungskarte und Zitate. Skillstore berichtet Nachweise, ohne zu entscheiden, ob dieser Skill sicher ist.
https://skillstore.io/skills/datadata-team-datadata-dql/audits/4?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report[](https://skillstore.io/skills/datadata-team-datadata-dql?utm_source=security_passport_badge)<a href="https://skillstore.io/skills/datadata-team-datadata-dql?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/datadata-team-datadata-dql/security.svg" alt="Skillstore security assessment" loading="lazy"></a><iframe src="https://skillstore.io/embed/skills/datadata-team-datadata-dql.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>datadata-team. (2026). datadata-dql security audit report (audit version 4) [Author version unspecified]. Skillstore. https://skillstore.io/skills/datadata-team-datadata-dql/audits/4@techreport{datadata-team-datadata-team-datadata-dql-2026,
author = {datadata-team},
title = {datadata-dql security audit report (audit version 4)},
institution = {Skillstore},
year = {2026},
number = {4},
url = {https://skillstore.io/skills/datadata-team-datadata-dql/audits/4},
note = {Author version unspecified}
}cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "datadata-dql security audit report (audit version 4)"
version: "unspecified"
type: report
authors:
- name: "datadata-team"
date-released: "2026-07-05"
url: "https://skillstore.io/skills/datadata-team-datadata-dql/audits/4"
identifiers:
- type: other
value: "skillstore:datadata-team-datadata-dql:audit:4"
description: "Skillstore immutable audit report identifier"
DQL-Skripte erstellen, die Geschäftstabellen abfragen, Kennzahlen aggregieren und validierte Ergebnisse für Dashboards zurückgeben.
Transformationen generieren, die Duplikate entfernen, fehlende Werte auffüllen und Felder vor der nachgelagerten Nutzung standardisieren.
SQL-Abfrageergebnisse mit genehmigten externen API-Antworten kombinieren und einen strukturierten Datensatz zur Prüfung zurückgeben.
Write a Datadata DQL script that queries [table], limits results to [row count], and returns the DataFrame for inspection.
Create a DQL script that reads [table], removes duplicate rows by [key], handles missing [field], and returns a small validation summary.
Write Datadata DQL to calculate [metric] by [dimension] for [date range], using SQL filtering first and DataFrame operations only when needed.
Create a safe DQL workflow that queries [internal data], fetches approved data from [API endpoint], validates both structures, and returns merged results.
Autor
datadata-teamLizenz
MIT
Skillstore-Revision
r1
Versionshinweis
Der Autor hat keine Version angegeben.
Ref.
7e9e368dc1a370f2040369ebcd0db06d90cb48e5
Aktualität der Wartung
23.7.2026
Nutzung
1 Downloads · 37 Aufrufe
JSON-, YAML- und TOML-Daten verarbeiten
von 0xDarkMatter
Strukturierte Konfigurationsdaten können über JSON-, YAML- und TOML-Dateien hinweg schwer zu prüfen sein. Diese Skill-Anleitung unterstützt bei jq- und yq-Abfragen zur Extraktion, Filterung, Konvertierung und Aktualisierung.
Zuverlässige dbt-Transformationsmuster erstellen
von sickn33
dbt-Projekte können inkonsistent werden, wenn Modelle, Tests und Dokumentation wachsen. Dieser Skill bietet praktische Muster für Schichten, Benennung, Tests, inkrementelle Modelle und Makros.
CSV-Dateien mit Datenbereinigungs-Workflows verarbeiten
von CuriousLearner
CSV-Dateien enthalten häufig inkonsistente Formate, fehlende Werte, Duplikate und große Datensätze. Dieser Skill bietet praktische Workflows zum Parsen, Bereinigen, Transformieren, Zusammenführen und Analysieren von CSV-Daten.
JSON-Daten zuverlässig transformieren
von CuriousLearner
JSON-Arbeit erfordert häufig Validierung, Umformung, Extraktion und Konvertierung über verschiedene Tools hinweg. Dieser Skill gibt Claude, Codex und Claude Code praktische Muster für gängige JSON-Transformationen.
Polars-DataFrame-Workflows beschleunigen
von davila7
Datenteams benötigen schnelle Orientierung beim Erstellen von Polars-Pipelines und bei der Migration von pandas. Diese Skill bietet prägnante Muster für Expressions, Lazy Queries, I/O, Joins und Performance-Tuning.
Python Code Nodes für n8n erstellen
von sickn33
n8n Python Code nodes haben strenge Vorgaben für Datenzugriff, Rückgabeformat und Bibliotheksgrenzen. Dieser Skill leitet Claude, Codex oder Claude Code dabei an, korrekte Transformationen zu schreiben.