datadata-dql
Créer des scripts de données Datadata DQL
L’écriture de scripts Datadata DQL nécessite une syntaxe Starlark propre à la plateforme et des API de données spécifiques. Cette skill guide Claude, Codex et Claude Code dans la création de workflows de requête, de récupération, de DataFrame et de validation.
自分のエージェントでインストール
このリクエストをエージェントにコピーしてください。正規の Skill ページとマニフェストが含まれています。
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.エージェントは引き続き計画を提示し、セキュリティポリシーで必要な確認を求める必要があります。
エージェントが読めるリソース
AI エージェント、クローラー、スクリプトがページ全体ではなく整理されたコンテキストを必要とする場合は、これらのリンクを使ってください。
テストする
「datadata-dql」を使用しています。 Créer un script DQL pour comparer le chiffre d’affaires du mois en cours avec celui du mois précédent.
期待される結果:
Le résultat inclut un plan de script qui interroge les deux périodes, calcule l’évolution du chiffre d’affaires, gère un chiffre d’affaires précédent nul et renvoie les champs de comparaison.
「datadata-dql」を使用しています。 Nettoyer une table client avant une analyse RFM.
期待される結果:
Le résultat décrit un workflow DQL qui vérifie les colonnes requises, supprime les doublons, valide les valeurs manquantes et renvoie un jeu de données client préparé.
「datadata-dql」を使用しています。 Inspecter une réponse d’API externe avant de la transformer.
期待される結果:
Le résultat renvoie d’abord le type de réponse et un exemple de corps, afin que l’utilisateur puisse confirmer la structure avant l’écriture de la logique de transformation finale.
セキュリティ監査
安全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.
リスク要因
⚙️ 外部コマンド (41)
🌐 ネットワークアクセス (31)
このレポートを共有・引用
バージョン付き評価レポート、中立的なバッジ、埋め込みカード、引用を共有できます。Skillstore は証拠を報告しますが、この Skill が安全かどうかは判断しません。
レポートリンクをコピー
https://skillstore.io/skills/datadata-team-datadata-dql/audits/4?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdownバッジ
[](https://skillstore.io/skills/datadata-team-datadata-dql?utm_source=security_passport_badge)HTMLバッジ
<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>埋め込みカード
<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>学術引用 (APA · BibTeX · CFF)
APA形式の引用
datadata-team. (2026). datadata-dql security audit report (audit version 4) [Author version unspecified]. Skillstore. https://skillstore.io/skills/datadata-team-datadata-dql/audits/4BibTeX形式の引用
@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}
}CITATION.cff
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"
Skillstore スコア
このスコアの理由 証拠の信頼度: 中作成できるもの
Préparer des scripts d’analyse
Créer des scripts DQL qui interrogent des tables métier, agrègent des métriques et renvoient des résultats validés pour des tableaux de bord.
Nettoyer des données opérationnelles
Générer des transformations qui suppriment les doublons, remplissent les valeurs manquantes et standardisent les champs avant une utilisation en aval.
Prototyper des intégrations de données
Combiner les résultats de requêtes SQL avec des réponses d’API externes approuvées et renvoyer un jeu de données structuré pour examen.
これらのプロンプトを試す
Écrire un script Datadata DQL qui interroge [table], limite les résultats à [row count] et renvoie le DataFrame pour inspection.
Créer un script DQL qui lit [table], supprime les lignes en double selon [key], gère les valeurs manquantes de [field] et renvoie un petit résumé de validation.
Écrire du Datadata DQL pour calculer [metric] par [dimension] pour [date range], en utilisant d’abord le filtrage SQL et les opérations DataFrame uniquement si nécessaire.
Créer un workflow DQL sûr qui interroge [internal data], récupère des données approuvées depuis [API endpoint], valide les deux structures et renvoie les résultats fusionnés.
ベストプラクティス
- Lire le fichier de référence pertinent avant d’utiliser une API DQL ou une méthode d’objet.
- Utiliser des arguments de requête paramétrés au lieu de concaténer les entrées utilisateur dans SQL.
- Renvoyer d’abord un petit échantillon lorsque les schémas de tables ou les structures de réponses d’API sont incertains.
回避
- Ne pas supposer l’ordre des champs d’une réponse d’API sans inspecter les données réellement renvoyées.
- Ne pas renvoyer des jeux de données non bornés lorsqu’un LIMIT ou une agrégation répondrait à la demande.
- Ne pas utiliser de fonctionnalités Python non prises en charge comme les imports, les classes, les blocs try ou les opérations d’E/S sur fichiers.