仮説や指標、必要なサンプル数、終了条件を事前に決め、A/Bテストを設計・分析します。信頼区間やCUPEDを使った結果の読み方も扱います。
- A/Bテストの必要人数を見積もりたいとき
- 実験の仮説と指標を事前に決めたいとき
- 信頼区間や有意差を解釈したいとき
欠損値や表記ゆれ、重複、型の混在、不正な日付を含む表データを、再実行できる手順で整え、スキーマ検証で問題を検出できる形にします。
Use when a raw table is too dirty to trust — nulls, sentinels, duplicate rows, category sprawl, mixed types, bad dates — and you need a re-runnable clean() plus a schema gate that fails loud. NOT emitting .xlsx (that is spreadsheet-ops), NOT acquiring rows (that is data-scraper), NOT parsing PDF/HTML into rows (that is structured-extraction).
実行スコア 未検証
インストール方法を見る信頼しにくい表データを、型をそろえ、表記を正規化し、重複や欠損を扱い、検証済みのテーブルへ変換する手順を作ります。まず列ごとの型、欠損率、ユニーク数などを確認し、読み込み時に型や欠損値の表現を明示します。カテゴリの対応表、日付形式、数値の範囲などを定めて整えた後、業務上のキーと安定した並び順に基づいて重複を処理します。最後にpanderaなどでスキーマを検証し、不正な行は黙って捨てず、隔離して確認できるようにします。clean(raw)のような再実行可能な処理と、変更件数の記録を成果物とします。
毎月届くCSVの品質を一定に保ちたいときや、分析前に欠損・表記ゆれ・重複を整理したいときに役立ちます。次回の入力で列や値が変わった際に、問題を早めに検出する仕組みを作りたい人にも向いています。データがメモリーに収まりにくい場合はPolarsやDuckDBを使う選択肢も示します。
入力行の取得やPDF・HTMLからの表抽出、.xlsxの出力は対象外です。Pythonでの例ではpandasとpanderaを使用し、規模に応じてPolarsやDuckDBも扱います。
この紹介文は、公開されている SKILL.md をもとに AI(OpenAI Codex)が作成しました。正確な仕様は下の原文を確認してください。
インストールする前に、エージェントに与えられる指示の中身を確認できます。
まだレビューはありません。使ってみた感想をお寄せください。
ログインなしで書き込めます。使ってみた感想、質問、動かなかった環境などを気軽にどうぞ。
まだコメントはありません。最初のコメントを書いてみませんか。
仮説や指標、必要なサンプル数、終了条件を事前に決め、A/Bテストを設計・分析します。信頼区間やCUPEDを使った結果の読み方も扱います。
Web UIをWCAG 2.2 AAに沿って改善し、意味構造やキーボード操作、フォーカス、ARIA、コントラストを点検して自動・手動で確認します。
Google AdsやMetaの広告キャンペーン設計、広告文、予算配分、採算性の計算、計測設定をまとめて扱うスキルです。
LLMやエージェントの回答・行動を評価データと採点基準で測り、品質の低下を検知してマージを止める評価手順を整えるスキルです。
稼働中のAIエージェントに許可する作業やツールを絞り、外部文書に含まれる不正な指示への対策、危険な操作の承認、実行時間や費用の上限を整えるスキルです。
音声、画像から作る動画、音楽を目的に合わせて生成し、ffmpegでつないでナレーション付き動画や短いクリップなどのメディアファイルに仕上げます。