# Exploratory Data Analysis

Скилл для первичного разбора датасета: профилирование, распределения, корреляции и поиск выбросов на Python. Пригодится в начале проекта, до построения модели.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 513 установок · ★ 371
- Автор: aj-geddes
- Лицензия: MIT · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/aj-geddes/useful-ai-prompts/tree/HEAD/skills/exploratory-data-analysis/SKILL.md
- Обновлён: 2026-03-04
- HTML: https://affpapa.org/nevibecode/skills/aj-geddes-exploratory-data-analysis

## Что делает

Скилл задаёт агенту порядок работы с новым датасетом: сначала профиль данных, потом графики. Внутри — готовые блоки на Python с `pandas`, `numpy`, `matplotlib` и `seaborn`: размер таблицы, типы колонок, пропуски, дубликаты, `describe()`, гистограммы, ящики с усами, тепловая карта корреляций и `pairplot`.

Дальше идёт то, что обычно забывают на глазок: скошенность и эксцесс по каждой числовой колонке, перцентили, разбивка по группам через `groupby`, корреляция признаков с целевой переменной, поиск выбросов по правилу IQR и автоматический вывод инсайтов. Скилл отдельно напоминает про подводные камни: не интерпретировать паттерны на маленькой выборке, не игнорировать предметный контекст, фиксировать находки письменно.

Чтобы код заработал, в окружении нужны `pandas`, `numpy`, `matplotlib` и `seaborn` — они импортируются в примерах. На выходе получается набор артефактов: отчёт о качестве данных, сводная статистика с графиками, список аномалий и гипотезы для проверки. Это повод не тащить сырую таблицу сразу в модель.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add aj-geddes/useful-ai-prompts --skill exploratory-data-analysis -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/exploratory-data-analysis/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/exploratory-data-analysis/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add aj-geddes/useful-ai-prompts --skill exploratory-data-analysis -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/exploratory-data-analysis/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add aj-geddes/useful-ai-prompts --skill exploratory-data-analysis -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/exploratory-data-analysis/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install aj-geddes/useful-ai-prompts exploratory-data-analysis
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/exploratory-data-analysis/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add aj-geddes/useful-ai-prompts --skill exploratory-data-analysis -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/aj-geddes/useful-ai-prompts --path skills/exploratory-data-analysis
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/exploratory-data-analysis/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add aj-geddes/useful-ai-prompts --skill exploratory-data-analysis -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/aj-geddes/useful-ai-prompts/tree/HEAD/skills/exploratory-data-analysis/SKILL.md

## Когда брать
- понять структуру незнакомого датасета до моделирования
- найти пропуски и дубликаты в таблице
- посмотреть распределения числовых колонок
- отловить выбросы по правилу IQR
- собрать гипотезы для дальнейшей проверки

## Примеры запросов агенту
- Проведи EDA по `customer_data.csv`: профиль, распределения, корреляции
- Найди выбросы и пропуски в этом датасете и опиши, что с ними делать
- Собери отчёт о качестве данных с графиками для стейкхолдеров

## Похожие
- [analytics-data-analysis](https://affpapa.org/nevibecode/skills/analytics-data-analysis.md) — скилл · 1100 установок
- [exploratory-data-analysis](https://affpapa.org/nevibecode/skills/exploratory-data-analysis.md) — скилл · 279 установок
- [seaborn](https://affpapa.org/nevibecode/skills/k-dense-ai-seaborn.md) — скилл · 2100 установок
- [data-visualization](https://affpapa.org/nevibecode/skills/anthropics-data-visualization.md) — скилл · 13800 установок
- [statistical-analysis](https://affpapa.org/nevibecode/skills/anthropics-statistical-analysis.md) — скилл · 4600 установок

Из того же набора: [aj-geddes/useful-ai-prompts](https://affpapa.org/nevibecode/by/aj-geddes/useful-ai-prompts.md) — 118 карточек

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md