数据处理脚本生成器：用 Excel 模板与 ERP 导出自动生成 Python 报表脚本
SkillHub 社区 Skill「数据处理脚本生成器」（@user_9cd20060/data-processing-script-generator，v1.0.0）面向固定 Excel 模板与 ERP 导出数据的日报场景，在 Agent 对话中根据模板与样例数据自动生成 Python 处理脚本并产出报表。无需 API Key。本文介绍定位、核心能力、skillhub install 与 Cursor/Claude Code 等 skills 目录配置，以及「帮我生成数据处理脚本」的典型用法与适用注意。
阅读全文dsh-toolbox：DeepSeek Harness 的零依赖工具箱
`dsh-toolbox` 是 DeepSeek Harness 的工具箱插件，旨在解决智能体开发中的重复性任务。它包含十个本地运行的纯函数工具，涵盖 JSON 处理、计算、编码、时间、CSV、正则、统计、Markdown 和 Schema 校验。所有工具不联网、不读写文件、不执行代码，确保了安全与稳定性。该插件非常适合用于数据清洗、格式转换及自动化流程。安装需使用官方命令，暂未发布至 npm。
阅读全文dsh-median：DSH 插件
DSH Harness 推出 dsh-median 插件，用于计算数值中位数。该插件基于纯 Node.js 实现，无网络依赖，安装便捷。用户通过 `dsh plugin add github:uckkk/dsh-median` 即可启用，在本地会话中直接调用。插件以当前进程权限运行，适合本地数据处理场景，安装前建议检查源码与许可证。
阅读全文dsh--query：JSON 路径查询与设置工具
dsh--query 是 DeepSeek Harness (DSH) 的一个纯 Node.js 插件，旨在解决智能体处理 JSON 数据效率低下的问题。它提供了 JSON 路径查询与设置能力，无需依赖外部网络服务。开发者需通过命令安装并在配置中启用，安装后即可在会话中调用工具进行数据操作。该插件适合复杂 JSON 数据处理场景，但建议审阅源码后安装。
阅读全文dsh--flatten：JSON 数据扁平化工具
`dsh--flatten` 是 DeepSeek Harness (DSH) 的一个联网工具插件，用于将嵌套 JSON 数据转换为点号分隔的扁平键格式。它支持双向转换及数组索引处理。用户可通过 `dsh plugin add dsh--flatten` 安装，并在会话中调用 `flatten_` 函数进行数据转换。由于是纯 Node 实现，使用时建议审阅源码。
阅读全文dsh-group-by：按键分组插件
dsh-group-by 是 DeepSeek Harness (DSH) 的一个纯 Node.js 客户端插件，用于数据与会话的逻辑按键分组，无网络依赖。用户需通过终端安装该插件，随后在会话中调用其注册工具即可使用。该插件以当前 DSH 进程权限运行，使用前应检查源码与许可证。它通过按键分组功能简化了数据处理流程。
阅读全文dsh-csv-parse：健壮的 CSV 解析与表格处理工具
`dsh-csv-parse` 是一个由 istone 维护的 DSH 生态插件，旨在解决本地化、无依赖的 CSV 解析需求。它提供纯 Node 实现、CSV 解析及表格处理能力，不涉及网络请求。用户可通过官方命令安装，并在 profile 中配置使用。安装即运行第三方代码，建议审阅源码后使用。
阅读全文MongoDB聚合管道：初学者也能看懂的数据分析方法
MongoDB聚合管道是数据处理的“流水线”，通过多阶段加工实现复杂数据分析。核心是由多个“阶段”组成，每个阶段处理前一阶段输出，依次完成筛选、投影、分组统计等操作。 关键阶段包括：`$match`（筛选，类似SQL WHERE）、`$project`（投影，类似SELECT）、`$group`（分组统计，如平均分、总数，类似GROUP BY）、`$sort`（排序）、`$limit`（限制数量）。 实战中，通过多阶段组合可实现复杂分析：如筛选1班数学成绩并投影姓名和分数（`$match+$project`），按科目分组计算平均分（`$group+$sort`），或统计班级+科目平均分及人数（复合分组）。常用操作符还包括`$sum`（求和）、`$avg`（平均）等。 其优势是无需手动导出数据，通过管道式组合高效完成分析，建议从简单阶段开始，逐步练习多阶段嵌套，熟悉各阶段作用即可掌握。
阅读全文pandas索引（Index）入门：轻松搞定数据排序与重命名
### pandas索引（Index）详解 索引是pandas中标识数据位置和内容的关键，类似Excel的行号/列标题，是数据的“身份证”，核心作用包括快速定位数据、支持排序和合并操作。 **数据排序**： - **Series排序**：按索引排序用`sort_index()`（默认升序，可设`ascending=False`降序）；按值排序用`sort_values()`（默认升序，同理可降序）。 - **DataFrame排序**：按列值排序用`sort_values(by=列名)`，按行索引排序用`sort_index()`。 **重命名索引**： - 用`rename()`方法修改行/列标签，如`df.rename(index={旧名:新名})`或`df.rename(columns={旧名:新名})`； - 直接赋值修改：`df.index = [新索引]`或`df.columns = [新列名]`，需保证长度一致。 **注意事项**： - 区分行索引（`df.index`）和列索引（`df.columns`）； - 修改索引时
阅读全文