该技能用于指导 Jupyter Notebook 在数据分析、探索与可视化（尤其结合 BigQuery）中的使用，给出何时用笔记本、如何组织单元格、如何处理内核与依赖、以及单元格执行失败时的处理规则。
主要能力与用法：
- 选择时机：涉及洞察、趋势、探索、分析或用户明确要求图表、需要保持状态迭代查询时使用笔记本；仅需单个数字、状态检查或查看 schema 时可不用。
- 执行流程：若存在 notebook_execute_cell 工具，必须遵循“生成单元格→执行→验证”的逐步流程，一次生成一个单元格并检查输出，禁止批量生成整个笔记本；若无该工具，则一次性生成完整笔记本并请用户运行，运行后反馈以便核对与修复。
- 内核与环境：区分 Local Python、Dataproc Serverless、Dataproc Cluster、Colab 等内核；BigFrames 与 BigQuery 笔记本须用 Local Python。出现无内核或内核未找到错误时必须立即停止，等待用户确认内核可用。安装依赖前先用 @skill:managing-python-dependencies 检测依赖管理方式，远程内核先用 %pip list 或导入确认包是否已存在。
- 分析与可视化：笔记本按标题、章节、取数/转换、校验、可视化、总结的结构组织；每个单元格保持单一逻辑；图表需区分颜色、调整尺寸避免标签重叠、使用内联图；聚类先用 PCA 降至二维再散点图；折线图仅用于连续数据。数据清洗需注意缺失值与重复值，非必要不删列。
- BigQuery：使用 BigFrames magics 的 %%bqsql 执行 SQL，须提供 DataFrame 名称，例如 %%bqsql df_sample；初始化用 import bigframes 与 %load_ext bigframes，并要求 bigframes 2.38.0 及以上；不得使用标准 BigQuery Python 客户端或 pandas.read_gbq，不得在同一单元格混写 Python 与 %%bqsql；探索与处理用 BigFrames，机器学习用 BQML SQL 或 bigframes.ml，不用 pandas 或 Scikit-learn。
- 失败处理：瞬时错误可原样重试一次，有副作用的单元格不得盲目重试；语法/逻辑错误与缺库可由代理修复，权限、基础设施、数据或模型缺失、内核不兼容则必须停止并询问用户；严禁伪造数据、替换模型、悄悄改基础设施、降级执行环境、改写单元格意图、悄悄缩小数据范围或保留注释掉的失败代码。
限制：资料未提供具体收费、价格或平台授权信息；部分细节需结合具体运行环境与用户确认。