csv-pro

name	csv-pro
description	Профилирование CSV-файлов: типы колонок, статистика, аномалии. Скрипт csv_pro.py читает CSV (файл --input или stdin --stdin), определяет разделитель (по умолчанию ';', затем ','), для каждой колонки считает тип (int/float/str/date), min/max/mean, пропуски, уникальные значения и топ-3 частых. Ищет аномалии: нулевая дисперсия, >95% пустых, дубликаты строк, строки длиннее 1000 символов, выбросы (значение ≥ 5×IQR от медианы). Вывод: markdown-таблица (по умолчанию) или JSON. Триггеры: 'csv profile', 'профиль csv', 'анализ csv', 'csv анализ', 'аномалии csv', 'csv anomalies', 'профилирование csv', 'что в csv'.
license	MIT
metadata	{"author":"best","version":"1.0.0"}
compatibility	Requires Python 3 stdlib (csv, statistics, datetime)
when_to_use	Use when profiling a CSV file: column types, stats, anomalies. Triggers: 'csv profile', 'профиль csv', 'анализ csv', 'csv anomalies', 'что в csv', 'профилирование csv'. Example: 'профилируй data.csv и найди аномалии'.

CSV Pro

Профилирование CSV-файлов: типы колонок, статистика, аномалии.

Загружай этот скилл когда нужно быстро понять, что лежит в CSV: типы колонок, диапазоны значений, пропуски, дубликаты и выбросы.

🎯 When to use

Use this skill when:

• Есть CSV-файл и нужно понять его структуру: типы колонок, min/max/mean, уникальные значения
• Нужно проверить качество данных перед загрузкой в БД или ML-пайплайн
• Просят «профиль csv», «анализ csv», «что в csv», «csv anomalies»
• Нужен отчёт об аномалиях: пустые колонки, дубликаты строк, выбросы, длинные строки

Do NOT use when:

• Нужна полная аналитика с корреляциями и рекомендациями — это data-analysis
• Нужны SQL-запросы к данным — это sql-helper
• Нужно просто посчитать строки или суммы — проще wc -l и awk

📦 Files

• SKILL.md — этот файл
• scripts/csv_pro.py — профилировщик CSV (Python 3 stdlib)

🧰 Usage

# Файл → markdown-профиль (по умолчанию):
python3 skills/csv-pro/scripts/csv_pro.py --input data.csv

# Файл → JSON:
python3 skills/csv-pro/scripts/csv_pro.py --input data.csv --output json

# Из stdin (текст прямо в пайплайне):
cat data.csv | python3 csv_pro.py --stdin

# Явный разделитель:
python3 csv_pro.py --input data.csv --delimiter ';'

Canonical analogues

Полный справочник канонических паттернов — references/canonical-patterns.md. Топ-аналоги и их takeaways:

• ydata-profiling — эталонный набор метрик (skewness, kurtosis, quantiles, MAD, infinite counters) и 18 типов алертов.
• csvkit csvstat — CLI-эталон: csvstat data.csv --json, метрики len и maxprecision.
• DuckDB SUMMARIZE — SQL-профиль с approx-квантилями и null_percentage.
• Great Expectations — словарь проверяемых утверждений (63 core-ожидания).
• dataprep.EDA — типизированные инсайты: Zeros, Negatives, Constant Length, High Cardinality.

🔬 Проверка результата

• Markdown: таблица «Колонки» (тип, уникальные, пустые, min/max/mean, топ-3) + секция «Аномалии».
• JSON: валидный JSON с полями columns и anomalies — проверка python3 -m json.tool.
• Пустой файл: сообщение «Файл пуст», код 0.
• Отсутствующий файл: сообщение в stderr, код 1.