trimming
对异常样本执行截尾处理并评估偏差（outlier 异常值）
Quellinformationen
- Repository
- Zafer-Liu/Data-Analysis-Agent
- Letzte Quellaktivität
- 17. Juli 2026 um 13:24
- Erkannte Sprache von SKILL.md
- Mehrsprachig
- Sterne
- 2.619
- Forks
- 228
Installationsoptionen
Standardmäßig ist der Prompt ausgewählt, der zuerst die Quelle prüft. Sie können zu einem direkten Befehl wechseln oder eine lokale Kopie herunterladen.
Quelldateien prüfen
Lesen Sie SKILL.md und alle von SkillsMP angezeigten Begleitdateien, bevor Sie sich für eine Installation entscheiden.
SKILL.md wird angezeigt
SKILL.md
Quellanweisungen · Schreibgeschützte Vorschau- name
- trimming
- description
- 对异常样本执行截尾处理并评估偏差（outlier 异常值）
- icon
- 🔪
- allowedTools
- ["get_schema","profile_data","clean_data","query_data"]
# 截尾处理
先定义异常判据和业务合理范围，量化拟删除样本及其特征。仅在用户意图明确时执行，保留原始数据和可追溯输出；处理后报告样本损失及潜在选择偏差。
## Tool routing
1. Use `get_schema` to identify the target table and candidate numeric columns.
2. Use `profile_data` to quantify outliers and candidate trim boundaries before modification.
3. Use `clean_data` with the trimming operation only when the user has confirmed the rule or bounds.
4. Use `query_data` after cleaning to verify row loss, boundary effects, and key metric changes.
## Implementation reference
- Tool entries: `agent/tools/business/data.py::_tool_profile_data`, `agent/tools/business/data.py::_tool_clean_data`
- Profiling implementation: `Function/Clean/data_profile.py`
- Trimming implementation: `Function/Clean/trimming.py`
Auf GitHub ansehen