# data-scientist

Скилл для разбора данных прямо в рабочей папке: находит файлы, чистит их и считает метрики воспроизводимым кодом.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · ★ 211
- Автор: autohandai
- Лицензия: Apache-2.0 · policy=mirror · лицензия открытая, файл — в исходнике
- Исходник: https://github.com/autohandai/code-cli/tree/HEAD/src/skills/builtin/data-scientist/SKILL.md
- Обновлён: 2026-10-23
- HTML: https://affpapa.org/nevibecode/skills/autohandai-data-scientist

## Что делает

Скилл задаёт агенту порядок работы с данными. Сначала он ищет файлы через `fff_find` и `list_tree` и смотрит на их устройство: размер, колонки, типы, пропуски, дубликаты, диапазон дат, выбросы. Потом переформулирует вопрос в измеримый — какая метрика, какая популяция, за какой период, с чем сравниваем. Если определение размытое, агент спросит.

Дальше он берёт инструмент, который уже есть в проекте: pandas, polars, DuckDB, SQL, R или ноутбук. Новый стек не тащит. Каждый шаг ложится в скрипт или ячейку ноутбука, а не в однострочник из терминала; имя скрипта — по вопросу. Исходные данные остаются только на чтение, производные таблицы пишутся в отдельное место, допущения вроде фильтров и джойнов помечаются комментариями.

Для сравнений и экспериментов скилл требует размер эффекта, интервал или оценку неопределённости, размеры выборок и название теста. Отдельно помечает множественные сравнения, сезонность и смещение выживших. Для моделей — сначала baseline, честное разделение на обучение и валидацию, метрика под конкретное решение и предупреждение об утечке данных. Значения агент не выдумывает: если данных на вопрос не хватает, он скажет, каких именно.

Скилл прописан под `read_file`, `write_file`, `find_grep`, `fff_find`, `list_tree`, `run_command` и `file_stats` — без доступа к файлам и запуску команд он не заработает.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add autohandai/code-cli --skill data-scientist -a claude-code
```

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

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add autohandai/code-cli --skill data-scientist -a codex
```

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

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add autohandai/code-cli --skill data-scientist -a cursor
```

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

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install autohandai/code-cli data-scientist
```

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

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add autohandai/code-cli --skill data-scientist -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/autohandai/code-cli --path src/skills/builtin/data-scientist
```

### Windsurf (Devin Desktop)

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

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add autohandai/code-cli --skill data-scientist -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/autohandai/code-cli/tree/HEAD/src/skills/builtin/data-scientist/SKILL.md

## Когда брать
- посчитать метрику по CSV и не потерять допущения
- проверить, нет ли в таблице дубликатов и пропусков
- разобрать результаты A/B-теста с размером эффекта
- собрать baseline-модель с честным разделением выборки
- переписать разовый анализ в скрипт, который можно повторить

## Примеры запросов агенту
- Посчитай конверсию по `events.csv` за март и покажи, каких данных не хватает
- Сравни две группы в `experiment.parquet`: размер эффекта, интервал, размеры выборок
- Собери baseline-модель по `churn.csv` и скажи, где может быть утечка

## Похожие
- [data-science-expert](https://affpapa.org/nevibecode/skills/data-science-expert.md) — скилл · 573 установки
- [data-analysis](https://affpapa.org/nevibecode/skills/lingzhi227-data-analysis.md) — скилл · 2000 установок
- [analyzing-data](https://affpapa.org/nevibecode/skills/analyzing-data.md) — скилл · 1400 установок
- [harvard-art-museum-data-engineering](https://affpapa.org/nevibecode/skills/harvard-art-museum-data-engineering.md) — скилл · 1300 установок
- [data-analyst](https://affpapa.org/nevibecode/skills/borghei-data-analyst.md) — скилл · 605 установок
- [harvard-art-museums-data-engineering](https://affpapa.org/nevibecode/skills/harvard-art-museums-data-engineering.md) — скилл · 843 установки

## Другие версии с тем же именем
- [data-scientist · borghei](https://affpapa.org/nevibecode/skills/borghei-data-scientist.md) — 440 установок
- [data-scientist · davila7](https://affpapa.org/nevibecode/skills/data-scientist.md) — 385 установок

Из того же набора: [autohandai/code-cli](https://affpapa.org/nevibecode/by/autohandai/code-cli.md) — 5 карточек

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