# 代码数据分析支架 ## 目录 * 目的 * 何时使用此技能 * 何时不使用此技能 * 这是什么？ * 工作流程 * 脚手架类型 * 护栏 * 快速参考 ## 目的这项技能为软件工程和数据科学的技术工作提供了结构化的支架（框架、清单、模板）。它通过定义要做什么、按什么顺序以及在继续之前要验证什么来帮助您系统地处理复杂的任务。 ## 何时使用此技能当您需要执行以下操作时，请使用此技能： * **系统地编写测试** \- TDD 脚手架、测试套件设计、测试数据生成 * **严格探索数据** \- EDA 计划、数据质量检查、特征分析策略 * **设计统计分析** \- A/B 测试、因果推理、假设检验框架 * **构建预测模型** \- 模型选择、验证策略、评估指标 * **充满信心地重构** \- 测试覆盖策略、重构检查表、回归预防 * **验证技术工作** \- 数据验证、模型评估、代码质量检查 * **阐明技术方法** \- 区分因果目标与预测目标，选择适当的方法 **触发短语：** *“为[代码/功能]编写测试” *“探索这个数据集” *“分析[数据/问题]” *“建立一个模型来预测……” *“我应该如何验证...” *“为……设计 A/B 测试” *“什么是正确的方法......” ## 何时不使用此技能在以下情况下跳过此技能： * **只执行，不计划** \- 用户希望无需脚手架即可立即进行代码/分析 * **脚手架已经存在** \- 用户有明确的计划，只需要执行帮助 * **非技术任务** \- 使用适当的技能进行写作、规划、决策 * **简单的一句台词** \- 琐碎的任务不需要脚手架 * **探索性对话** \- 用户正在集思广益，尚未准备好采用结构化方法 ## 这是什么？代码数据分析支架为常见技术模式提供结构化框架： 1. **TDD Scaffold** ：给定需求，在实现代码之前生成测试结构 2. **EDA支架**：给定数据集，创建系统的探索计划 3. **统计分析支架**：给定问题，设计适当的统计测试/模型 4. **验证支架**：给定代码/模型/数据，创建全面的验证清单 **简单示例：** > **任务**：“写入验证函数” > > **TDD 支架**： > > > # 测试结构（先写这些） > def test_valid_credentials(): > 断言身份验证（“user@example.com”，“ Correct_pass”）== True > > def test_invalid_password(): > 断言身份验证（“user@example.com”，“wrong_pass”）== False > > def test_nonexistent_user(): > 断言身份验证（“nobody@example.com”，“any_pass”）== False > > def test_empty_credentials(): > 与 pytest.raises(ValueError): > 验证（“”，“”） > > # 现在实现authenticate()以使测试通过 > ## 工作流程复制此清单并跟踪您的进度：代码数据分析支架进展： - [ ] 第 1 步：明确任务和目标 - [ ] 步骤 2：选择合适的脚手架类型 - [ ] 第三步：生成脚手架结构 - [ ] 步骤 4：验证脚手架完整性 - [ ]第五步：交付脚手架并指导执行 **步骤 1：明确任务和目标** 询问用户任务、数据集/代码库上下文、约束和预期结果。确定这是 TDD（首先编写测试）、EDA（探索数据）、统计分析（测试假设）还是验证（检查质量）。有关上下文问题，请参阅 [resources/template.md]()。 **第二步：选择合适的脚手架类型** 根据任务，选择支架：TDD（测试代码）、EDA（探索数据）、统计分析（假设检验、A/B 测试）、因果推理（估计治疗效果）、预测建模（构建 ML 模型）或验证（检查质量）。请参阅支架类型以获取选择指南。 **第3步：生成脚手架结构** 创建系统框架，其中包含明确的步骤、验证检查点和每个阶段的预期输出。对于标准情况，请使用 [resources/template.md]();有关高级技术，请参阅 [resources/methodology.md]()。 **步骤 4：验证脚手架完整性** 检查脚手架涵盖所有要求，包括验证步骤，明确假设，并提供明确的成功标准。使用 [resources/evaluators/rubric_code_data_analysis_scaffolds.json]() \- 最低分数 ≥3.5 进行自我评估。 **第五步：交付脚手架并指导执行** 目前的脚手架具有明确的后续步骤。如果用户需要执行帮助，请系统地遵循脚手架。如果脚手架显示出差距（数据缺失、要求不明确），请在继续之前将其浮出水面。 ## 脚手架类型 ### TDD（测试驱动开发） **何时**：编写新代码，重构现有代码，修复错误 **输出**：测试结构（测试用例→实现→重构） **关键元素**：涵盖快乐路径、边缘情况、错误条件、测试数据设置的测试用例 ### EDA（探索性数据分析） **何时**：新数据集、数据质量问题、特征工程 **输出**：探索计划（数据概述→质量检查→单变量→双变量→见解） **关键元素**：数据形状/类型、缺失值、分布、异常值、相关性 ### 统计分析 **何时**：假设检验、A/B 检验、比较组 **输出**：分析设计（问题→假设→测试选择→假设→解释） **关键元素**：零/替代假设、显着性水平、功效分析、假设检查 ### 因果推理 **何时**：估计治疗效果，理解因果关系而不仅仅是相关性 **输出**：因果设计（DAG→识别策略→估计→敏感性分析） **关键元素**：混杂因素，治疗/对照组，识别假设，效果估计 ### 预测建模 **何时**：构建机器学习模型、预测、分类/回归任务 **输出**：建模管道（数据准备→特征工程→模型选择→验证→评估） **关键元素**：训练/验证/测试分割、基线模型、指标选择、交叉验证、误差分析 ### 验证 **何时**：部署前检查数据质量、代码质量、模型质量 **输出**：验证清单（断言→边缘情况→集成测试→监控） **关键元素**：验收标准、测试覆盖率、错误处理、边界条件 ## 护栏 * **搭建脚手架前先明确** \- 不要猜测用户需要什么；首先提出澄清问题 * **区分因果与预测** \- 因果推理需要与预测不同的方法（RCT/IV 与 ML） * **明确假设** \- 每个脚手架都有假设（数据分布、用户行为、系统约束） * **包括验证步骤** \- 脚手架应包括检查点以验证每个阶段的工作 * **提供示例** \- 展示良好的外观（示例测试、示例 EDA 可视化、示例模型评估） * **早期出现表面间隙** \- 如果脚手架显示缺少数据/要求，请立即标记 * **避免过早优化** \- 从简单的脚手架开始，仅在需要时增加复杂性 * **遵循最佳实践** \- TDD：首先测试，EDA：从数据质量开始，建模：复杂模型之前的基线 ## 快速参考任务类型 |何时使用 |脚手架资源 ---|---|--- **TDD** |编写/重构代码 | [资源/模板.md]（）#tdd-scaffold **EDA** |探索新数据集 | [资源/模板.md]（）#eda-scaffold **统计分析** |假设检验、A/B 检验 | [资源/模板.md]（）#statistical-analysis-scaffold **因果推理** |治疗效果预估| [resources/methodology.md]()#causal-inference-methods **预测建模** |机器学习模型构建 | [resources/methodology.md]()#predictive-modeling-pipeline **验证** |发货前的质量检查 | [资源/模板.md]（）#validation-scaffold **示例** |看看什么是好的 | [资源/示例/]（） **标题** |验证脚手架质量 | [resources/evaluators/rubric_code_data_analysis_scaffolds.json]()

代码数据分析支架

包含技能