trimming
对异常样本执行截尾处理并评估偏差（outlier 异常值）
Datos de origen
- Repositorio
- Zafer-Liu/Data-Analysis-Agent
- Última actividad en el origen
- 17 de julio de 2026 a las 13:24
- Idioma detectado de SKILL.md
- Varios idiomas
- Estrellas
- 2619
- Forks
- 228
Opciones de instalación
De forma predeterminada está seleccionado el prompt que primero revisa el origen. Puedes cambiar a un comando directo o descargar una copia local.
Revisa los archivos de origen
Lee SKILL.md y los archivos complementarios que muestra SkillsMP antes de decidir si quieres instalarlo.
Mostrando SKILL.md
SKILL.md
Instrucciones de origen · Vista previa de solo lectura- 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`
Ver en GitHub