bigdata-processing

name	bigdata-processing
description	Core big data processing toolkit for data teams. Includes Polars, Dask, Vaex for large-scale data processing, ETL pipelines, and distributed computing. Use when working with datasets larger than memory, building data pipelines, or optimizing data processing performance.

Big Data Processing Toolkit

Overview

大数据团队核心处理工具集，包含高性能DataFrame库和分布式计算框架。

Quick Reference

工具	场景	数据规模
Polars	单机高性能分析	GB级
Dask	分布式/超内存处理	TB级
Vaex	超大文件惰性处理	100GB+

选择指南

数据大小判断:
├── < 10GB → Polars (最快)
├── 10GB - 100GB → Polars (streaming) 或 Dask
├── > 100GB → Dask (分布式)
└── 超大单文件 → Vaex (内存映射)

任务类型:
├── 简单ETL → Polars
├── 复杂管道 → Dask
├── 交互分析 → Vaex
└── 机器学习 → Dask + Dask-ML

子Skills

• polars/ - 高性能DataFrame，替代Pandas
• dask/ - 分布式计算框架
• vaex/ - 大规模数据惰性处理
• exploratory-data-analysis/ - 探索性数据分析
• statistical-analysis/ - 统计分析方法
• zarr-python/ - 分块数组存储

常用模式

ETL Pipeline (Polars)

import polars as pl

# 读取 -> 转换 -> 写入
(
    pl.scan_csv("raw/*.csv")
    .filter(pl.col("status") == "valid")
    .with_columns(
        pl.col("amount").cast(pl.Float64),
        pl.col("date").str.to_datetime()
    )
    .group_by("category")
    .agg(pl.col("amount").sum())
    .collect()
    .write_parquet("output/summary.parquet")
)

分布式处理 (Dask)

import dask.dataframe as dd
from dask.distributed import Client

client = Client()  # 启动本地集群

ddf = dd.read_parquet("data/*.parquet")
result = ddf.groupby("key").agg({"value": "sum"}).compute()

超大文件分析 (Vaex)

import vaex

df = vaex.open("huge_file.hdf5")  # 不加载到内存
df.mean(df.column)  # 惰性计算

性能最佳实践

1. 文件格式: Parquet > CSV (10x faster)
2. 惰性计算: 使用 scan_* 而非 read_*
3. 列选择: 尽早选择需要的列
4. 分区策略: 按日期/类别分区大数据集
5. 并行度: CPU核心数 = 并行任务数

团队使用建议

# 查看具体skill详情
ai skills info bigdata-core/polars
ai skills info bigdata-core/dask

---

猪哥云-数据产品部 | 大数据团队专用

是什么

Big Data Processing Toolkit 用来把 数据分析师 场景里的任务输入转成可执行的流程、检查清单和交付物。

Core big data processing toolkit for data teams. Includes Polars, Dask, Vaex for large-scale data processing, ETL pipelines, and distributed computing. Use when working with datasets larger than memory, building data pipelines, or optimi...

它的价值在于让 数据AI职能线 在 Claude Code、Codex、Gemini、Hermes 或 OpenClaw 中复用同一套岗位能力，而不是依赖一次性的聊天提示词。

怎么用

1. 明确当前任务目标、输入材料、约束和期望交付物，再加载 bigdata-core。
2. 按 skill 文档中的流程、检查清单或工具建议执行，优先复用仓库已有规范与真实命令。
3. 把关键判断、风险、验证命令和产出路径记录到当前任务文档或交付说明中。
4. 用最小可证明的检查确认结果有效；发现缺口时回到 skill 清单补齐。

架构图

flowchart LR
  A[任务输入] --> B[加载 Big Data Processing Toolkit]
  B --> C[执行流程与检查清单]
  C --> D[生成交付物与风险记录]
  D --> E[验证结果并沉淀复盘]