用途：该技能用于数据的清洗、预处理与转换，可完成缺失值处理、去重、异常值剔除、归一化与缩放、宽长格式重塑、筛选子集、多数据集合并、特征工程、分组聚合以及数据类型转换；资料还列出 AnnData 转 DataFrame、基因表达矩阵变换、差异表达结果处理和多文件批处理等场景。
主要能力：基于 pandas、numpy、scikit-learn 等标准 Python 库实现，支持 StandardScaler、MinMaxScaler、RobustScaler、对数变换、独热编码、标签编码、时间特征提取、滞后特征等；支持内连接、左连接、外连接、按多列或不同列名合并，以及 concat 纵向与横向拼接。
使用方式：在本地沙箱中执行。文档给出的流程为：先导入库（import pandas as pd、import numpy as np、from sklearn.preprocessing import StandardScaler, MinMaxScaler, RobustScaler、LabelEncoder, OneHotEncoder），再依次进行清洗、归一化、重塑、筛选、合并、缺失值处理、特征工程与聚合。答案中强调 DataFrame 用 .dtypes（复数），单列 Series 用 .dtype（单数）。
适用场景：原始数据清洗与预处理、数值特征标准化、宽长格式互转、缺失值与异常值处理、数据集合并、特征构造、分组统计，以及生物信息学中的表达矩阵与差异表达结果整理。
限制：资料未提供具体收费、价格、平台限制或效果保证；数据在内存中处理，超大文件建议分块；执行环境为代理沙箱。pandas 文档与 scikit-learn 预处理相关链接在资料中被截断，暂未提供完整内容。