duyanta123/dsh-data-insight：DSH 数据洞察技能插件
`duyanta123/dsh-data-insight` 是一款基于 DSH 生态的数据洞察技能插件，旨在将 CSV、粘贴表格、SQL 结果或 DuckDB 数据转化为包含业务结论、指标和图表的结构化 Markdown 报告。该插件采用纯指令型实现，零依赖、零构建，通过 LLM 驱动宿主工具完成计算。其核心功能涵盖五种数据源支持及“输入受理、数据探查、指标计算、图表呈现、报告产出”的五阶段流水线，提供汇总统计、同环比、TopN 及异常值检测等指标，并支持 Markdown、Mermaid 及 ASCII 三种图表呈现方式。用户可通过 `dsh plugin` 命令安装并在会话中直接触发分析。
阅读全文dsh-data-agent：让 DeepSeek Harness 用对话连上数据库做分析
dsh-data-agent 是 omdsh-dev 维护的 DSH 数据分析插件，支持 MySQL、PostgreSQL、ClickHouse 等常见数据库。安装后选择「数据模式」，即可用自然语言提问，由 DSH 自动写 SQL、执行查询并给出商业洞察；还提供 Catalog 数据治理与 HTML 分析报告。本文基于 SkillHub 目录页与 GitHub README 核实安装命令、典型用法与安全注意事项。
阅读全文pandas保姆级教程：缺失值处理从入门到实践
这篇文章介绍了数据分析中缺失值的处理方法。缺失值指数据集中无有效值，pandas中以`NaN`表示。处理前需先检查：`isnull()`标记缺失值，`isnull().sum()`统计各列缺失数，`info()`查看整体缺失分布。 处理策略分删除和填充：删除用`dropna()`，按行（默认）或列删除含缺失值的记录；填充用`fillna()`，包括固定值（如0）、统计量（均值/中位数适合数值，众数适合分类）、向前/向后填充（`ffill/bfill`，适用于时间序列）。 案例以电商订单数据为例，先检查缺失值，再用均值填充“金额”列，众数填充“支付方式”列。处理核心步骤为：检查缺失→选策略（极少值删除，多值或关键数据填充）→验证结果，需结合数据特点灵活选择方法。
阅读全文零基础学pandas：手把手教你读取CSV文件
这篇文章介绍了学习pandas处理数据的入门步骤，核心是读取CSV文件并基础操作数据。首先，pandas是数据处理的“管家”，读取CSV是数据分析第一步。步骤包括：安装pandas（pip install，Anaconda/Jupyter预装可跳过）并导入（import pandas as pd）；用pd.read_csv()读取CSV生成DataFrame；查看数据用head()/tail()预览、info()检查类型和缺失值、describe()统计数值；处理特殊格式如中文乱码（encoding）、分隔符（sep）、无表头（names）。文章最后总结已掌握的基础技能，指出这是数据处理的开始，后续可学习筛选、清洗等进阶操作。
阅读全文