data-analysis

# Data Analysis > Профилирование датасета: статистика полей, корреляции, аномалии и рекомендации. Загружай этот скилл когда нужно **разобраться в данных**: понять типы полей, распределения, пропуски, корреляции между числовыми полями и что стоит почистить перед анализом или моделированием. ## 🎯 When to use Use this skill when: - Есть CSV или JSON-массив объектов и нужен профиль датасета (EDA) - Нужно понять типы полей, пропуски, распределения и выбросы - Просят «проанализировать данные», «почитать данные», «сделать EDA» - Нужны корреляции между числовыми полями и рекомендации по очистке данных Do NOT use when: - Нужен SQL-запрос к базе данных — это `sql-helper` - Нужна обработка CSV как таблицы (фильтры, join, преобразования) — это `csv-pro` - Нужны графики/визуализации — скрипт выдаёт текстовый отчёт (markdown/JSON), не картинки ## 📦 Files - `SKILL.md` — этот файл - `scripts/data_analyze.py` — профилировщик датасета (Python 3 stdlib) - `references/canonical-patterns.md` — эталонные EDA-паттерны канонических инструментов ## Canonical analogues Эталонные EDA-паттерны и gap-анализ скрипта против канонических инструментов — в `references/canonical-patterns.md`. Топ-аналоги: - **ydata-profiling** — эталонная структура отчёта (Overview/Alerts/Variables/Correlations/Missing/Sample) и алерты качества с порогами. - **sweetviz** — целевой анализ (target_feat) и mixed-type ассоциации (uncertainty coefficient, correlation ratio). - **DuckDB SUMMARIZE** — профилирование одной...