wrangling
Data wrangling fundamentals
Informations de source
- Dépôt
- ffsshhttiikk/opencode-agents-skills
- Dernière activité de la source
- 28 février 2026 à 22:55
- Langue détectée de SKILL.md
- anglais
- Étoiles
- 3
- Forks
- 2
Options d'installation
Le prompt qui vérifie d'abord la source est sélectionné par défaut. Vous pouvez passer à une commande directe ou télécharger une copie locale.
Vérifiez les fichiers source
Lisez SKILL.md et les fichiers associés affichés par SkillsMP avant de décider de l'installer.
Affichage de SKILL.md
SKILL.md
Instructions source · Aperçu en lecture seule- name
- wrangling
- description
- Data wrangling fundamentals
- license
- MIT
- compatibility
- opencode
- metadata
- {"audience":"data-analysts","category":"data-science"}
## What I do
- Transform and clean raw data
- Reshape data structures
- Handle data quality issues
- Parse and extract from unstructured formats
- Merge and join datasets
- Create derived features
## When to use me
Use me when:
- Raw data needs preparation
- Data from multiple sources needs combining
- Complex transformations required
- Preparing data for analysis or ML
## Key Concepts
### Common Transformations
```python
import pandas as pd
# Pivot/Unpivot
pivot_df = df.pivot(index="date", columns="product", values="sales")
melted = pd.melt(df, id_vars=["id"], value_vars=["q1","q2","q3","q4"])
# String operations
df["email_domain"] = df["email"].str.split("@").str[1]
df["name_clean"] = df["name"].str.strip().str.title()
# Conditional logic
df["segment"] = np.where(df["income"] > 100000, "Premium",
np.where(df["income"] > 50000, "Standard", "Basic"))
# Apply custom functions
def categorize(age):
if age < 18: return "minor"
elif age < 65: return "adult"
return "senior"
df["age_category"] = df["age"].apply(categorize)
# Rolling calculations
df["rolling_avg"] = df["sales"].rolling(window=7).mean()
df["pct_change"] = df["sales"].pct_change()
```
Voir sur GitHub