exploratory-data-analysis
该技能用于对科学数据文件执行全面的探索性数据分析（EDA），覆盖 200 多种科学文件格式。它可自动检测文件类型、按格式提取元数据、评估数据质量与完整性、生成统计摘要与分布，并输出适合文档记录和后续分析规划的 Markdown 报告。支持化学与分子、生物信息与基因组、显微与成像、光谱与分析化学、蛋白质组与代谢组、通用科学数据六大类格式。适用于用户提供科学数据文件路径并希望了解其结构、内容、质量或适合何种分析的场景。
Skill 广场
找到适合任务的 Agent Skill，阅读介绍并复制安装命令。
更新于 11-05 00:16
数据与分析
17,418 个结果
get-available-resources
该技能用于在开始任何计算密集型科学任务前，检测并报告系统可用资源，包括 CPU 核心数、GPU（NVIDIA CUDA、AMD ROCm、Apple Silicon Metal）、内存和磁盘空间，并生成针对性的计算策略建议。它通过运行 scripts/detect_resources.py 脚本，在当前工作目录生成 .claude_resources.json 文件，输出 CPU、内存、磁盘、GPU 及推荐策略等信息，帮助用户决定是否使用 GPU 加速、并行处理、内存外计算或大文件处理方案。适用于数据分析、模型训练、并行处理、大文件操作和项目初始化等场景。
matplotlib
Matplotlib 是 Python 的基础可视化库，用于创建静态、动画和交互式图表。本技能提供 matplotlib 的使用指导，涵盖 pyplot 接口（MATLAB 风格）与面向对象 API（Figure/Axes），以及创建出版级可视化图表的最佳实践。适用于需要精细控制每个绘图元素、创建新颖图表类型，或将绘图集成到 Jupyter 笔记本与 GUI 应用中的场景。
plotly
Plotly 是一个 Python 绘图库，用于创建交互式、出版级质量的图表，支持 40 多种图表类型。它适合需要悬停信息、缩放、平移或可嵌入网页图表的场景，常用于仪表盘、探索性分析和数据可视化。Plotly 提供两层 API：Plotly Express（px）用于快速生成标准图表，Graph Objects（go）用于精细控制和自定义可视化。图表可导出为交互式 HTML 或静态图片（PNG、PDF、SVG，需安装 kaleido）。Plotly 还可与 Dash 框架结合构建交互式 Web 应用。
scientific-visualization
这是一个用于生成符合期刊投稿要求的科学图表的元技能（Meta-skill）。它帮助科研人员创建可直接用于论文发表的多面板图表，支持误差棒、显著性标注和无障碍配色方案。该技能基于 matplotlib、seaborn 和 plotly，可导出 PDF、EPS、TIFF 等出版级格式，适用于向 Nature、Science、Cell、PLOS 等期刊投稿的图表制作。
scikit-learn
scikit-learn 是 Python 中经典的机器学习库，本技能为其提供系统化的使用指导，覆盖监督学习（分类、回归）、无监督学习（聚类、降维）、数据预处理、模型评估与选择，以及构建可用于生产的机器学习流水线。适合需要可解释的经典机器学习方法、处理结构化（表格）与文本数据的场景。技能内含快速入门示例、完整流水线代码、示例脚本与参考文档，并给出避免数据泄漏、仅在训练集上拟合、使用分层切分、设置随机种子等最佳实践。
seaborn
Seaborn 是一个基于 Python 的统计可视化库，用于创建出版级质量的统计图形。它与 pandas 深度集成，支持面向数据集的绘图、多变量分析、自动统计估计以及复杂多面板图形，且只需极少的代码。Seaborn 遵循面向数据集、语义映射、统计感知、美观默认值和 matplotlib 集成等设计原则，提供函数接口和现代对象接口两种绘图方式，涵盖关系图、分布图、分类图、回归图、矩阵图和多图网格等类别，并内置多种调色板与主题样式。
shap
SHAP（SHapley Additive exPlanations）是一个基于合作博弈论中 Shapley 值的模型可解释性方法，用于解释机器学习模型的输出。该技能提供计算任意模型类型的 SHAP 值、生成特征重要性可视化、调试与验证模型行为、分析公平性与偏差，以及在生产中实现可解释 AI 的指导。SHAP 支持树模型（XGBoost、LightGBM、CatBoost、随机森林）、深度学习模型（TensorFlow、PyTorch、Keras）、线性模型以及黑盒模型。
tensorflow-data-pipelines
TensorFlow Data Pipelines 是一个围绕 tf.data API 构建高效、可扩展数据管道的技能，用于提升模型训练性能。内容涵盖数据集创建、数据变换、批处理与打乱、预取、缓存、并行加载、内存管理、分布式数据集、文件型数据集（TFRecord、CSV、图像文件）以及与 Keras 模型和自定义训练循环的集成，并给出最佳实践与常见陷阱。
confluence-analytics
用于查看 Confluence 内容分析、统计与热度指标的只读技能，可查页面历史、贡献者、空间统计、热门内容和关注者列表。
confluence-property
用于管理 Confluence 页面与博客文章内容属性（自定义元数据）的技能，支持以键值对形式读写、列出和删除属性，适合存储工作流状态、审批信息与外部集成配置。
matriz-analiticas
matriz-analiticas 是 matriz-viralidad 插件中的分析命令，用于衡量个人账号自身内容表现。它不直接回答“有多少播放量”，而是判断“哪些视频相对本账号的中位数表现更好”。核心规则为：单条视频播放量除以该账号播放量中位数，大于1.5倍视为“有效”，小于0.7倍视为“无效”。中位数仅基于该账号自身数据计算，不与其他账号或行业对比。命令要求存在 perfil.json 且已配置 APIFY_TOKEN，通过 Apify 抓取 Instagram、TikTok、YouTube、X 的公开账号与视频数据，先给出费用估算并等待确认，再抓取、计算中位数与倍数、生成 Markdown 报告并在聊天中汇总，同时把中位数写回 perfil.json 供后续命令使用。
data-visualization
这是一个关于数据可视化的技能，提供图表选择、色彩理论与标注最佳实践。内容涵盖柱状图、折线图、散点图、热力图等图表类型，坐标轴规则，以及通过 inference.sh CLI（belt）生成图表的示例。该技能强调避免使用饼图、柱状图 Y 轴从 0 开始、限制颜色数量、使用洞察式标题等设计原则，并给出折线图、水平柱状图、KPI 卡片、热力图、深色模式图表等代码配方，以及常见错误清单。
data-visualization
这是一个关于数据可视化的技能，提供图表选择、色彩理论与标注最佳实践。内容涵盖柱状图、折线图、散点图、热力图等图表类型，坐标轴规则，以及通过 inference.sh CLI（belt）生成图表的示例。该技能强调避免使用饼图、柱状图 Y 轴从 0 开始、限制颜色数量、使用洞察式标题等设计原则，并给出折线图、水平柱状图、KPI 卡片、热力图、深色模式图表等代码配方，以及常见错误清单。
polymarket
Polymarket 是一个通过命令行查询 Polymarket 预测市场赔率与事件的技能。它支持按关键词搜索市场、按分类浏览活跃事件、查看指定市场的详情、获取代币当前价格与订单簿深度，并列出可用分类。价格即概率，例如 0.65 表示 65% 的“是”概率；赔率随交易实时更新，市场最终以 1.00 美元（正确）或 0.00 美元（错误）结算。该技能覆盖体育（NFL、NBA、足球等）、政治、加密货币、商业、科技等类别，并支持足球、NFL、NBA 等单项比赛市场，包括胜负、让分、大小球、双方进球等类型。使用方式为通过 Node 运行技能目录下的 polymarket.mjs 脚本，配合 search、events、market、tags、price、book 等命令，可选用 --tag 和 --limit 参数。数据来自无需认证的公开 API。
qmd
qmd 是一个本地搜索与索引命令行工具，支持 BM25 关键词检索、向量检索与重排序（rerank），并提供 MCP 模式。它可对本地文件建立索引后搜索，索引默认存放在 ~/.cache/qmd，嵌入与重排序通过 Ollama（默认 http://localhost:11434）完成。
sonarcloud
通过 /sonarcloud 斜杠命令查询 SonarCloud 代码质量数据，支持按项目、分支或 PR 快速查看问题、指标、质量门禁、安全热点与分析历史，需配置 SONARCLOUD_TOKEN 环境变量。
dogdoing
Dogdoing（刀盾狗）是一个可手动召唤的子代理技能，用于对当前上下文进行深度分析并提供策略性帮助。它适合在需要深入思考、权衡取舍和获得前进方向时使用，而非仅执行简单子任务。
bigquery
这是一个用于通过 BigQuery MCP 服务器查询 GA4 BigQuery 导出（events_* 表）并基于原始事件数据回答问题的技能。适用于需要运行或编写 SQL 查询 GA4 数据的场景，提供从确认 MCP 服务器、定位导出数据集、编写成本可控查询、试运行与执行到结果展示的完整流程，并包含会话化、时间与表处理、UI 差异解释及访问排错等实用细节。
ga4
面向 Google Analytics 4（GA4）的综合技能包，覆盖媒体资源创建、代码安装、事件跟踪、自定义维度、用户跟踪、受众、报告分析、BigQuery 导出、Measurement Protocol、DebugView 调试与隐私合规，并提供分主题参考文档。
morning-brief
morning-brief 是越南股票交易技能 vn-stock-trader 中的盘前晨报工具，用于开盘前汇总市场概况、投资组合状态与隔夜新闻，输出越南语简报，建议在交易日 9:00 前运行。
anndata
AnnData 是用于处理带注释数据矩阵的 Python 包，将测量数据 X 与观测元数据 obs、变量元数据 var 及多维注释 obsm、varm、obsp、varp、uns 一同存储，最初面向单细胞基因组学，现为通用注释数据框架。
bids
用于处理脑影像数据结构（BIDS）数据集的技能，涵盖神经科学与生物医学数据的组织、查询、校验与转换，支持 MRI、EEG、MEG、iEEG、PET 等多种模态。
exploratory-data-analysis
该技能用于对科学数据文件执行探索性数据分析（EDA），支持自动识别 200 多种科学文件格式，提取格式相关元数据，评估数据质量，生成统计摘要与可视化建议，并输出 Markdown 报告，便于文档记录和后续分析规划。