exploratory-data-analysis
Wissenschaftliche Datendateien analysieren
Wissenschaftliche Datendateien sind schwer zu untersuchen, da jedes Format Strukturen und Metadaten anders speichert. Dieser Skill erkennt Formate, erstellt Datenqualitätsprofile und erzeugt praxisorientierte EDA-Berichte im Markdown-Format.
Mit meinem Agent installieren
Kopieren Sie diese Anfrage in Ihren Agent. Sie enthält die maßgebliche Skill-Seite und das Manifest.
Review the Skillstore skill "exploratory-data-analysis" from https://skillstore.io/skills/davila7-exploratory-data-analysis.md and its manifest at https://skillstore.io/api/skills/davila7-exploratory-data-analysis/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.
Agent-lesbare Ressourcen
Verwenden Sie diese Links, wenn ein KI-Agent, Crawler oder Skript sauberen Kontext benötigt, statt die vollständige Seite zu lesen.
Testen
„exploratory-data-analysis“ wird verwendet. Analysiere reads.fastq.
Erwartetes Ergebnis:
- Das Format wurde als FASTQ-Sequenzierungsdaten identifiziert.
- Der Bericht fasst die Anzahl der untersuchten Reads, die Read-Längen, die Qualitätswerte und mögliche Probleme mit der Sequenzierungsqualität zusammen.
- Zu den empfohlenen nächsten Schritten gehören Qualitätsfilterung, Adapterprüfungen und Alignment-Metriken.
„exploratory-data-analysis“ wird verwendet. Untersuche experiment_results.csv.
Erwartetes Ergebnis:
- Der Bericht führt Zeilen, Spalten, abgeleitete Datentypen, fehlende Werte und numerische Zusammenfassungen auf.
- Die Ergebnisse heben mögliche Ausreißer, doppelte Zeilen und Spalten hervor, die bereinigt werden müssen.
- Zu den Empfehlungen gehören die Überprüfung von Korrelationen, Verteilungsdiagramme und der Umgang mit fehlenden Werten.
„exploratory-data-analysis“ wird verwendet. Überprüfe cells.nd2 vor der Bildanalyse.
Erwartetes Ergebnis:
- Der Bericht identifiziert das Mikroskopieformat und erläutert die erwarteten mehrdimensionalen Metadaten.
- Der Analyseplan behandelt Abmessungen, Kanäle, Kalibrierung, Intensitätsbereiche und die Eignung für die Segmentierung.
- Unter den Einschränkungen werden gegebenenfalls fehlende Bibliotheken zum Lesen von Herstellerformaten aufgeführt.
Sicherheitsaudit
SicherThe static findings are false positives caused by scientific terminology, markdown code formatting, and legitimate local file analysis behavior. The analyzer reads user-provided local scientific data, extracts metadata and summaries, and writes a markdown report; no shell execution, network reconnaissance, credential access, prompt injection, or malicious intent was found.
Risikofaktoren
📁 Dateisystemzugriff (9)
⚙️ Externe Befehle (50)
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.
Berichtslink kopieren
https://skillstore.io/skills/davila7-exploratory-data-analysis/audits/13?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdown-Badge
[](https://skillstore.io/skills/davila7-exploratory-data-analysis?utm_source=security_passport_badge)HTML-Badge
<a href="https://skillstore.io/skills/davila7-exploratory-data-analysis?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/davila7-exploratory-data-analysis/security.svg" alt="Skillstore security assessment" loading="lazy"></a>Einbettungskarte
<iframe src="https://skillstore.io/embed/skills/davila7-exploratory-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
davila7. (2026). exploratory-data-analysis security audit report (audit version 13) [Author version unspecified]. Skillstore. https://skillstore.io/skills/davila7-exploratory-data-analysis/audits/13BibTeX-Zitat
@techreport{davila7-davila7-exploratory-data-analysis-2026,
author = {davila7},
title = {exploratory-data-analysis security audit report (audit version 13)},
institution = {Skillstore},
year = {2026},
number = {13},
url = {https://skillstore.io/skills/davila7-exploratory-data-analysis/audits/13},
note = {Author version unspecified}
}CITATION.cff
cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "exploratory-data-analysis security audit report (audit version 13)"
version: "unspecified"
type: report
authors:
- name: "davila7"
date-released: "2026-07-09"
url: "https://skillstore.io/skills/davila7-exploratory-data-analysis/audits/13"
identifiers:
- type: other
value: "skillstore:davila7-exploratory-data-analysis:audit:13"
description: "Skillstore immutable audit report identifier"
Varianten vergleichen
2 installierbare VariantenJeder Autor bleibt ein eigener installierbarer Skill. Die empfohlene Variante wird nach Skillstore-Nachweisen bewertet.
Warum diese Variante zuerst steht
davila7-exploratory-data-analysis
2026-09-09
k-dense-ai-exploratory-data-analysis
2026-09-09
Skillstore-Score
Warum dieser Score Evidenzvertrauen: HochWas Sie erstellen können
Sequenzierungsdaten überprüfen
FASTA- oder FASTQ-Dateien untersuchen, die Read-Struktur zusammenfassen und Qualitätsprüfungen vor dem Alignment oder der Assemblierung ermitteln.
Mikroskopiebilder profilieren
Bildabmessungen, Kanäle, Intensitätsbereiche und Metadaten vor der Segmentierung oder Quantifizierung zusammenfassen.
Forschungsdatensätze vorbereiten
Einen konsistenten Bericht für eine erste Analyse von CSV-, HDF5-, NumPy- und archivbasierten wissenschaftlichen Datensätzen erstellen.
Diese Prompts ausprobieren
Analysiere diese wissenschaftliche Datendatei: [path]. Ermittle das Format, fasse die Struktur zusammen, bewerte die Datenqualität und erstelle einen Markdown-Bericht.
Analysiere diese zusammengehörigen wissenschaftlichen Dateien: [paths]. Erstelle individuelle Zusammenfassungen sowie einen Vergleich der Struktur, Qualität und empfohlenen nächsten Schritte.
Untersuche [path] und empfehle nachgelagerte Analysen. Berücksichtige Anforderungen an die Vorverarbeitung, Qualitätsrisiken, nützliche Visualisierungen und erforderliche Python-Bibliotheken.
Führe eine detaillierte EDA-Prüfung für [path] durch. Überprüfe Formatannahmen, die Konsistenz der Metadaten, Grenzen der Stichproben, die Datenqualität und Bedenken hinsichtlich der Reproduzierbarkeit.
Bewährte Praktiken
- Gib den Dateipfad und den wissenschaftlichen Kontext an, damit die Empfehlungen zum Experiment passen.
- Installiere die erforderlichen fachspezifischen Bibliotheken, bevor du spezialisierte Herstellerformate analysierst.
- Überprüfe generierte Berichte vor der Weitergabe auf vertrauliche Pfade oder Kennungen.
Vermeiden
- Betrachte Ergebnisse aus Stichproben großer Dateien nicht als vollständige Validierung.
- Führe keine Analysen privater Datensätze durch, sofern die lokalen Regeln zur Datenverarbeitung dies nicht erlauben.
- Verlasse dich nicht ausschließlich auf die Erkennung anhand der Dateierweiterung, wenn das Quellformat unklar ist.
Häufig gestellte Fragen
Welche Formate unterstützt dieser Skill?
Verändert er die Eingabedaten?
Kann er sehr große Dateien analysieren?
Was passiert, wenn eine Bibliothek fehlt?
Kann ich ihn mit Claude, Codex und Claude Code verwenden?
Erstellt er Visualisierungen?
Entwicklerdetails
Autor
davila7Lizenz
MIT
Skillstore-Revision
r1
Versionshinweis
Der Autor hat keine Version angegeben.
Ref.
b959ebfd1043a07c0c4378ab94ca4342cb0259f5
Aktualität der Wartung
22.7.2026
Nutzung
54 Downloads · 235 Aufrufe
Dateistruktur