Crear scripts de datos Datadata DQL
Escribir scripts Datadata DQL requiere sintaxis Starlark específica de la plataforma y API de datos. Esta skill guía a Claude, Codex y Claude Code para crear flujos de trabajo de consulta, fetch, DataFrame y validación.
Copia esta solicitud en tu Agente. Incluye la página canónica del Skill y el manifiesto.
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.Tu Agente debe seguir mostrando su plan y solicitar cualquier confirmación exigida por la política de seguridad.
Usa estos enlaces cuando un agente de IA, crawler o script necesite contexto limpio en vez de leer la página completa.
Usando "datadata-dql". Crea un script DQL para comparar los ingresos del mes actual con los ingresos del mes anterior.
Resultado esperado:
El resultado incluye un plan de script que consulta ambos períodos, calcula el cambio en ingresos, gestiona ingresos anteriores iguales a cero y devuelve campos de comparación.
Usando "datadata-dql". Limpia una tabla de clientes antes de un análisis RFM.
Resultado esperado:
El resultado describe un flujo de trabajo DQL que comprueba columnas requeridas, elimina duplicados, valida valores faltantes y devuelve un conjunto de datos de clientes preparado.
Usando "datadata-dql". Inspecciona una respuesta de API externa antes de transformarla.
Resultado esperado:
El resultado devuelve primero el tipo de respuesta y un cuerpo de muestra, para que el usuario pueda confirmar la estructura antes de escribir la lógica de transformación final.
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.
Comparte el informe de evaluación versionado, la insignia neutral, la tarjeta insertable y las citas. Skillstore presenta evidencias sin decidir si este Skill es seguro.
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"
Crea scripts DQL que consultan tablas de negocio, agregan métricas y devuelven resultados validados para dashboards.
Genera transformaciones que eliminan duplicados, completan valores faltantes y estandarizan campos antes del uso posterior.
Combina resultados de consultas SQL con respuestas aprobadas de API externas y devuelve un conjunto de datos estructurado para revisión.
Escribe un script Datadata DQL que consulte [table], limite los resultados a [row count] y devuelva el DataFrame para inspección.
Crea un script DQL que lea [table], elimine filas duplicadas por [key], gestione valores faltantes en [field] y devuelva un pequeño resumen de validación.
Escribe Datadata DQL para calcular [metric] por [dimension] para [date range], usando primero filtrado SQL y operaciones de DataFrame solo cuando sea necesario.
Crea un flujo de trabajo DQL seguro que consulte [internal data], obtenga datos aprobados de [API endpoint], valide ambas estructuras y devuelva resultados combinados.
Autor
datadata-teamLicencia
MIT
Revisión de Skillstore
r1
Aviso de versión
El autor no declaró una versión.
Ref.
7e9e368dc1a370f2040369ebcd0db06d90cb48e5
Actualidad del mantenimiento
18/7/2026
Uso
1 descargas · 37 vistas
Procesar datos JSON, YAML y TOML
por 0xDarkMatter
Los datos de configuración estructurados pueden ser difíciles de inspeccionar en archivos JSON, YAML y TOML. Esta skill guía consultas de jq y yq para extracción, filtrado, conversión y actualizaciones.
Crear patrones fiables de transformación en dbt
por sickn33
Los proyectos de dbt pueden volverse inconsistentes a medida que crecen los modelos, las pruebas y la documentación. Esta skill ofrece patrones prácticos para capas, nomenclatura, pruebas, modelos incrementales y macros.
Procesar archivos CSV con flujos de trabajo de limpieza de datos
por CuriousLearner
Los archivos CSV suelen contener formatos inconsistentes, valores faltantes, duplicados y grandes conjuntos de datos. Esta habilidad proporciona flujos de trabajo prácticos para analizar, limpiar, transformar, combinar y analizar datos CSV.
Transforma datos JSON de forma fiable
por CuriousLearner
El trabajo con JSON suele requerir validación, reestructuración, extracción y conversión entre herramientas. Esta habilidad ofrece a Claude, Codex y Claude Code patrones prácticos para transformaciones JSON comunes.
Acelera los flujos de trabajo con Polars DataFrame
por davila7
Los equipos de datos necesitan orientación rápida al crear pipelines de Polars y migrar desde pandas. Esta skill proporciona patrones concisos para expresiones, consultas lazy, I/O, joins y ajuste de rendimiento.
Crear nodos de código Python para n8n
por sickn33
Los nodos de código Python de n8n tienen límites estrictos de acceso a datos, formato de retorno y bibliotecas. Esta skill guía a Claude, Codex o Claude Code para escribir transformaciones correctas.