Data Analysis

Профилирование датасета: статистика полей, корреляции, аномалии и рекомендации.

Загружай этот скилл когда нужно разобраться в данных: понять типы полей, распределения, пропуски, корреляции между числовыми полями и что стоит почистить перед анализом или моделированием.

🎯 When to use

Use this skill when:

• Есть CSV или JSON-массив объектов и нужен профиль датасета (EDA)
• Нужно понять типы полей, пропуски, распределения и выбросы
• Просят «проанализировать данные», «почитать данные», «сделать EDA»
• Нужны корреляции между числовыми полями и рекомендации по очистке данных

Do NOT use when:

• Нужен SQL-запрос к базе данных — это sql-helper
• Нужна обработка CSV как таблицы (фильтры, join, преобразования) — это csv-pro
• Нужны графики/визуализации — скрипт выдаёт текстовый отчёт (markdown/JSON), не картинки

📦 Files

• SKILL.md — этот файл
• scripts/data_analyze.py — профилировщик датасета (Python 3 stdlib)
• references/canonical-patterns.md — эталонные EDA-паттерны канонических инструментов

Canonical analogues

Эталонные EDA-паттерны и gap-анализ скрипта против канонических инструментов — в references/canonical-patterns.md. Топ-аналоги:

• ydata-profiling — эталонная структура отчёта (Overview/Alerts/Variables/Correlations/Missing/Sample) и алерты качества с порогами.
• sweetviz — целевой анализ (target_feat) и mixed-type ассоциации (uncertainty coefficient, correlation ratio).
• DuckDB SUMMARIZE — профилирование одной SQL-командой: min/max/approx_unique/avg/std/q25/q50/q75/null_percentage.
• D-Tale — интерактивный GUI: Describe, Outlier Detection, Duplicates, Missing Analysis, Predictive Power Score.
• skimr / DataExplorer (R) — консольное профилирование по типам и метрики introduce() (memory_usage, complete_rows).

🧰 Usage

# CSV → markdown-отчёт (по умолчанию):
python3 skills/data-analysis/scripts/data_analyze.py --input data.csv

# JSON-массив объектов → markdown-отчёт:
python3 skills/data-analysis/scripts/data_analyze.py --input data.json

# JSON-отчёт (для программного использования):
python3 skills/data-analysis/scripts/data_analyze.py --input data.csv --output json

# HTML-отчёт с графиками:
python3 skills/data-analysis/scripts/data_analyze.py --input data.csv --output html

# Топ-5 значений вместо 10 и свой заголовок:
python3 skills/data-analysis/scripts/data_analyze.py --input data.csv --top 5 --title "Продажи 2026"

🔬 Проверка результата

• Markdown-отчёт содержит секции: Размер, Типы, Статистика, Корреляции, Аномалии, Рекомендации.
• JSON-отчёт — зеркало тех же секций: ключи rows, fields, correlations, anomalies, recommendations.
• HTML-отчёт — интерактивный дашборд с графиками: гистограммы для числовых полей, bar charts для категорий, scatter plots для корреляций.
• Числовые поля: min/max/mean/std, медиана, мода, топ-N значений, гистограмма из 5 корзин.
• Корреляции: таблица 3 сильнейших парных коэффициентов Пирсона (по полным парам, без numpy).
• Аномалии: разреженные (>90% пропусков), нулевая дисперсия, высокая кардинальность строк, правосторонний перекос.
• При неисправимой ошибке (файл не найден, невалидный JSON, пустой датасет) скрипт пишет причину в stderr и завершается с кодом 1; предупреждения (смешанный тип поля, пропущенные элементы) работу не прерывают.

📊 Визуализация (HTML-режим)

При --output html генерируется интерактивный HTML-отчёт с графиками:

Типы графиков

Цветовые пресеты

HTML-отчёт использует монохромную палитру (по умолчанию) или один из пресетов:

• Mono — серые тона (по умолчанию)
• Porcelain — синие тона
• Palm — зелёные тона

Анимации

• Появление графиков при прокрутке
• Интерактивные тултипы при наведении
• Плавные переходы между состояниями

Boundaries

• Do not use when the input is only a CSV lint/profile request; use csv-pro.

Evidence and completion gate

Run the documented command against the user’s actual input. Report the command, exit status, files changed or produced, and relevant stdout/stderr. Separate blocked or pre-existing failures from failures introduced by the current work. Do not call the result complete when the script was only described or when an artifact was not reopened and checked.