dbt-transformation-patterns
Construire des modèles dbt avec des patterns éprouvés
La construction de transformations dbt fiables peut être lente sans structure claire. Cette compétence fournit des patterns de modèles en couches, des tests et des stratégies incrémentielles que vous pouvez appliquer rapidement.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "dbt-transformation-patterns". Create a dbt structure for Stripe and Shopify data with staging and marts.
Résultat attendu:
- Set up staging models for Stripe customers and payments with stg_ prefix
- Add an intermediate model to aggregate payments by customer using int_ prefix
- Create marts with dim_customers for dimensions and fct_orders for facts
- Add YAML tests for unique and not_null on primary keys
- Configure incremental processing for large payment tables
Utilisation de "dbt-transformation-patterns". How do I test my dbt models?
Résultat attendu:
- Add not_null and unique tests on all primary key columns
- Use relationships tests to validate foreign key references
- Add accepted_values tests for categorical columns like order_status
- Use dbt_utils.expression_is_true for business rule validation
- Configure freshness checks on source definitions
Utilisation de "dbt-transformation-patterns". What are incremental models and when should I use them?
Résultat attendu:
- Incremental models process only new or changed data since last run
- Use when tables exceed 1 million rows to reduce runtime
- Configure with unique_key to identify records and incremental_strategy for update logic
- Use is_incremental() macro to filter incoming data
- Supports merge, delete+insert, and insert_overwrite strategies
Audit de sécurité
SûrPure documentation skill containing only SQL and YAML examples for dbt patterns. The static analyzer produced false positives: YAML frontmatter markers were flagged as shell backticks, Jinja2 template syntax was flagged as command execution, and normal dbt CLI commands were flagged as reconnaissance. All findings are dismissed. No executable code, network calls, file system access, or external command execution capabilities exist.
Facteurs de risque
🌐 Accès réseau (5)
⚙️ Commandes externes (34)
Score de qualité
Ce que vous pouvez construire
Standardiser les couches de modèles
Adopter les patterns staging, intermediate et marts avec une structure et un nommage cohérents.
Améliorer la qualité des données
Ajouter des tests de sources et de modèles avec une documentation claire pour la gouvernance.
Démarrer un projet dbt
Configurer dbt_project.yml et une structure de dossiers claire pour les modèles.
Essayez ces prompts
Explique une structure simple staging, intermediate et marts pour mon projet dbt avec des exemples de nommage.
Rédige des tests et de la documentation YAML pour un modèle de dimension client et de fait commandes.
Suggère une configuration de modèle incrémentiel pour les paiements avec un filtre incrémentiel sûr.
Montre un pattern de macro pour standardiser la conversion de devises et le nommage des schémas dans dbt.
Bonnes pratiques
- Utiliser une couche staging pour nettoyer les sources une seule fois et les réutiliser en aval dans tous les modèles
- Ajouter les tests not_null et unique pour chaque colonne de clé primaire dans vos modèles
- Documenter les modèles et les colonnes en les construisant avec des descriptions claires
Éviter
- Sauter le staging et joindre les données brutes directement dans les marts crée du code non maintenable
- Coder en dur des dates ou des valeurs au lieu d'utiliser des vars pour la configuration casse la portabilité
- Répéter la logique dans les modèles au lieu de l'extraire en macros réutilisables augmente la maintenance