data-cleaning-pipeline
Nettoyer et structurer des données brutes
Les données brutes contiennent souvent des doublons, des valeurs manquantes et des formats incohérents qui ralentissent l’analyse. Cette compétence automatise la déduplication, le remplissage, la normalisation et la détection d’anomalies afin de produire des jeux de données propres et prêts à l’emploi.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Ressources lisibles par les agents
Utilisez ces liens lorsqu'un AI Agent, un crawler ou un script a besoin d'un contexte propre au lieu de lire toute la page.
Tester
Utilisation de "data-cleaning-pipeline". Un CSV contenant 200 enregistrements clients avec des e-mails en double, des numéros de téléphone manquants et des dates dans des formats mixtes comme '01/05/2023' et '2023-05-01'.
Résultat attendu:
Un jeu de données nettoyé dans lequel les e-mails en double sont consolidés en lignes uniques, les numéros de téléphone manquants sont marqués comme 'N/A', toutes les dates sont normalisées au format 'YYYY-MM-DD', et un rapport récapitulatif indique 12 doublons supprimés, 8 numéros de téléphone remplis et 45 dates reformatées.
Utilisation de "data-cleaning-pipeline". Une feuille de calcul de ventes avec des noms de produits à la casse incohérente, des cellules de prix vides et des quantités commandées incluant des valeurs négatives.
Résultat attendu:
Les données nettoyées ont des noms de produits en casse de titre, les prix vides sont remplacés par la médiane de la catégorie, et les quantités négatives sont signalées comme anomalies dans un rapport séparé pour vérification manuelle.
Utilisation de "data-cleaning-pipeline". Une exportation d’enquête avec des réponses dans plusieurs langues, des espaces superflus et des valeurs oui/non incohérentes comme 'Y', 'yes', '1' et 'No'.
Résultat attendu:
Des réponses standardisées avec les espaces superflus supprimés, des valeurs oui/non unifiées en 'Yes' et 'No', et un tableau de fréquences indiquant combien de réponses ont été modifiées pendant le nettoyage.
Audit de sécurité
SûrStatic analysis flagged two high-severity patterns in SKILL.md, but both are false positives. The 'weak cryptographic algorithm' alert was triggered by Chinese text and Unicode arrows in the skill description, while the 'high file entropy' alert reflects the naturally higher entropy of CJK characters compared to ASCII. The file contains only a skill description with no code execution, network access, or malicious intent.
Problèmes à risque faible (2)
Score de qualité
Ce que vous pouvez construire
Nettoyer les résultats d’une enquête
Un analyste de données téléverse un CSV de réponses à une enquête contenant des champs vides, des soumissions en double et des échelles de notation incohérentes. La compétence supprime les doublons, remplit les réponses manquantes avec 'Not Provided' et normalise toutes les notes sur une échelle de 1 à 5.
Préparer des rapports de ventes
Un utilisateur métier colle des données de ventes mensuelles avec des formats de devise mixtes, des cellules de remise vides et des espaces de fin dans les noms de produits. La compétence standardise les devises, remplit les remises vides avec zéro et supprime les espaces superflus dans tous les champs texte.
Prétraiter des données d’entraînement
Un développeur doit préparer un jeu de données pour le machine learning avec des valeurs catégorielles encodées, des plages numériques normalisées et des valeurs aberrantes supprimées. La compétence encode les catégories, applique une mise à l’échelle min-max et signale les valeurs extrêmes.
Essayez ces prompts
Nettoie ces données CSV : supprime les doublons et remplis les valeurs manquantes
J’ai un jeu de données avec des formats de date incohérents. Normalise toutes les dates au format ISO 8601 et standardise les noms de colonnes en snake_case.
Construis un pipeline de nettoyage complet pour ces données de ventes : déduplique par order_id, remplis les prix manquants avec la médiane par catégorie, signale les valeurs aberrantes au-dessus de 3 écarts types et génère un rapport de nettoyage.
Conçois un flux de travail de nettoyage des données réutilisable pour les rapports mensuels d’attrition client. Inclue la validation du schéma, la coercition des types, des règles métier personnalisées pour signaler les e-mails invalides et une notation automatisée de la qualité.
Bonnes pratiques
- Sauvegardez toujours vos données brutes avant d’exécuter des opérations de nettoyage
- Examinez les indicateurs d’anomalies avant de supprimer les valeurs aberrantes de votre jeu de données
- Documentez les étapes de nettoyage effectuées afin de maintenir la reproductibilité
Éviter
- N’utilisez pas cette compétence pour des informations personnellement identifiables sans consentement approprié
- N’acceptez pas aveuglément tous les remplacements automatisés sans examen
- N’essayez pas de nettoyer des données qui dépassent la fenêtre de contexte de votre outil
Foire aux questions
Quels formats de fichiers cette compétence prend-elle en charge ?
Cette compétence modifiera-t-elle mes fichiers d’origine ?
Peut-elle gérer des jeux de données avec des milliers de lignes ?
Supprime-t-elle des lignes ou signale-t-elle simplement les problèmes ?
Puis-je personnaliser les règles de nettoyage ?
Mes données sont-elles partagées avec des tiers ?
Détails du développeur
Structure de fichiers
📄 SKILL.md