Lokalisierter Leseleitfaden
explore-dataZweck, Verwendung und Quelle
Analysieren und untersuchen Sie Datensätze, um deren Struktur, Qualität und Muster zu verstehen. Nutzen Sie diese Funktion, wenn Sie auf eine neue Tabelle oder Datei stoßen, die Nullwerte und Spaltenverteilungen überprüfen, Datenqualitätsprobleme wie Duplikate oder verdächtige Werte erkennen oder entscheiden, welche Dimensionen und Metriken analysiert werden sollen.
Quelle abgerufen:
- Quell-Repository
- anthropics/knowledge-work-plugins
- SKILL.md
data/skills/explore-data/SKILL.md- Repository-Sterne
- 34,049
- Repository zuletzt aktualisiert
- 2026-10-30
- Fähigkeitskategorien
- Daten
- Letzte Datenerfassung
Lizenz: Lizenzdatei: Prüfung ausstehend
Die Workflow-Auszüge dienen als Lesehilfe und sind keine ausführbaren Anweisungen von Codez. Für die Erstellung dieser Seite wurde keine Drittanbieter-Skill verwendet.
Die folgenden Abschnitte zu Zweck und Arbeitsablauf sind vorgelagertes Material, das zur besseren Lesbarkeit aufbereitet und übersetzt wurde. Sie unterscheiden sich von der separat gekennzeichneten redaktionellen Analyse von Codez.
Was diese Fähigkeit bewirkt
Analysieren und untersuchen Sie Datensätze, um deren Struktur, Qualität und Muster zu verstehen. Nutzen Sie diese Funktion, wenn Sie auf eine neue Tabelle oder Datei stoßen, die Nullwerte und Spaltenverteilungen überprüfen, Datenqualitätsprobleme wie Duplikate oder verdächtige Werte erkennen oder entscheiden, welche Dimensionen und Metriken analysiert werden sollen.
Wie der vorgelagerte Workflow funktioniert
Vollständigkeitswert
Bewerten Sie jede Spalte: Vollständig (>99% nicht null): Grün Größtenteils vollständig (95-99%): Gelb -- die Nullwerte untersuchen Unvollständig (80-95%): Orange – verstehen, warum und ob es wichtig ist
Aufwärtspassage · L176 ↗/explore-data - Profil und Erkundung eines Datensatzes
Falls Sie auf ungewohnte Platzhalter stoßen oder überprüfen müssen, welche Tools verbunden sind, sieheCONNECTORS.mdErstellen Sie ein umfassendes Datenprofil für eine Tabelle oder eine hochgeladene Datei. Verschaffen Sie sich einen Überblick über deren Struktur, Qualität und Muster, bevor Sie mit der Analyse beginnen.
Aufwärtspassage · L7 ↗1Zugriff auf die Daten
Wenn ein Data-Warehouse-MCP-Server verbunden ist: Tabellennamen auflösen (Schema-Präfixe berücksichtigen, bei Mehrdeutigkeit passende Vorschläge machen)
Aufwärtspassage · L21 ↗/explore-data <table_name or file>Anforderungen und Einrichtung
Abstammung und Abhängigkeiten
Bei der Erkundung einer unbekannten Datenumgebung: Beginnen Sie mit den "Ausgabetabellen" (die Tabellen, die von Berichten oder Dashboards verwendet werden).
Aufwärtspassage · L311 ↗Grenzwerte und Qualitätskontrollen
4Identifizieren Sie Probleme mit der Datenqualität
Wenden Sie das untenstehende Qualitätsbewertungsmodell an. Kennzeichnen Sie potenzielle Probleme: Hohe Nullwerte: Spalten mit >5% Nullwerte (Warnung), >20% Nullwerte (Warnung)
Aufwärtspassage · L110 ↗Beginnen Sie mit einem sicheren Testlauf
- Prüfen Sie den unterstützten Host und die Installationsanweisungen für das Repository. Halten Sie das Skill-Verzeichnis und die darin enthaltenen Skripte, Assets und Dokumentationen zusammen;SKILL.mdEine Einzelperson kann Abhängigkeiten außer Acht lassen.
- Geben Sie dem Agenten Ihre tatsächlichen Eingaben, die gewünschten Ausgaben und die Akzeptanzkriterien an. Aufrufsyntax und verfügbare Tools hängen vom Hostsystem ab; diese Website geht nicht von einem universellen Installationsbefehl aus.
- Testen Sie den Quellworkflow in einem temporären Projekt oder auf einer Kopie. Überprüfen Sie Vorgänge, die Dateien, Remote-Dienste oder abrechnungsfähige Ressourcen ändern, bevor Sie diese zulassen.
- Überprüfen Sie die Ausgabe anhand der Quellqualitätsprüfungen und Ihrer eigenen Anforderungen. Ein erfolgreicher Trigger oder eine hohe Anzahl von Sternen im Repository garantiert kein korrektes Ergebnis.
Lesen Sie mehr dazu in der Quelle.
- /explore-data - Profil und Erkundung eines Datensatzes
- 1Zugriff auf die Daten
- 2Struktur verstehen
- 3. Datenprofil generieren
- 4Identifizieren Sie Probleme mit der Datenqualität
- 5Beziehungen und Muster entdecken
- 6. Interessante Dimensionen und Metriken vorschlagen
- 7. Empfehlung für Folgeanalysen
- Vollständigkeitswert
- Konsistenzprüfungen
- Genauigkeitsindikatoren
- Zeitliche Beurteilung
- Verteilungsanalyse
- Zeitliche Muster
- Segmentierungserkennung
- Korrelationsanalyse
- Vorlage für die Schema-Dokumentation
- Schema-Explorationsabfragen
- Abstammung und Abhängigkeiten
- Tipps
Verwandte Fähigkeiten
Übersetzung und Umfang
Dieser Leseleitfaden wählt Passagen aus dem markierten stromaufwärts gelegenen Abschnitt aus.SKILL.mdDie Übersetzung wurde unterstützt. Es handelt sich weder um ein vollständiges Handbuch noch um eine Garantie für geprüfte Kompatibilität. Lesen Sie vor der Verwendung das Original und die darin referenzierten Dateien.
Diese Einleitung bezieht sich auf die unten angepinnte Version; die aktuelle Repository-Aktivität und der Erfassungszeitpunkt werden separat angezeigt.
- Angeheftete Quelle
- Lesen Sie das Original ↗
- Quelle abgerufen
- Source-Commit
2574e29377c7173d0cecffef29a6ecbd7f8ccb5d- Quelle SHA-256
af7590fa616360259da712b5ede5f79b817beb854c47a465f95774354988e8a2