多源數據清洗器：把多格式髒表交給 Agent 做解析、去重與合併
多源數據清洗器是 SkillHub 社區數據分析類 Skill（@user_26bdbd50/multi-source-data-cleaner，v1.0.2），通過 Python 腳本完成 Excel/CSV/JSON 等解析、字段識別、去重填充、格式統一，Pro 檔支持多源合併、AI 打標與飛書輸出。文章說明安裝命令、環境變量 DATA_CLEANER_API_KEY 與檔位限制，並給出 CLI 與 run_clean_pipeline 示例，便於在 Cursor 等客戶端啓用。
閱讀全文電商數據清洗skill正式版：面向電商數據分析的 SkillHub 社區技能
電商數據清洗skill正式版（@user_cf88f39e/hbxh-ct）是 SkillHub 上社區發佈的 data-analysis 類技能，版本 v2.0.9，標籤 requires_api_key=false。公開簡介以版本說明爲主，未列出詳細清洗規則。本文依據 SkillHub 頁面與官方安裝文檔，說明定位、平臺數據、通過 skillhub CLI 安裝到 Cursor 等客戶端 skills 目錄的步驟，以及文檔粒度與安裝可用性等注意事項，並給出官方頁面與座標。
閱讀全文清洗數據：面向內部分析流水線的 SkillHub 數據清洗技能
SkillHub 社區技能「清洗數據」（@user_5f8aef2c/cleandata01，v1.0.0）面向企業內部數據分析：接收原始業務數據，過濾空值、剔除重複並輸出標準化數據集，供後續分析技能調用；強調僅處理授權數據、內網閉環。本文基於官方簡介與 SkillHub 安裝文檔，說明定位、核心能力、skillhub CLI 安裝路徑（Cursor、Claude Code、Codex 等）及對話式典型用法，並提示合規與社區維護注意事項。
閱讀全文數據清洗與分析：在 Agent 裏處理表格型數據的 Skill
介紹 SkillHub 社區 Skill「數據清洗與分析」（@user_d9bb652a/data-cleaning-analysis，v1.0.0）。適用於 CSV、Excel、JSON、SQL 等表格數據的缺失值、異常值、重複、類型轉換、統計摘要、可視化與相關性分析。說明社區來源、requires_api_key=false，以及通過官方提示詞或 skillhub install 安裝到 Cursor 等 Agent skills 目錄的方法與使用觸發方式。
閱讀全文Excel數據清洗大師：在 AI 對話裏完成 Excel 髒數據預處理
Excel數據清洗大師是 SkillHub 社區 Skill（@user_e9988879/excel-data-cleaner，v1.0.0），面向分析師、財務與運營，覆蓋去重、缺失值、格式標準化、異常值檢測、分列合併與多表彙總。本文基於官方頁面與安裝文檔說明定位、能力與安裝：可用 skillhub install 配合 --dir 裝入 Cursor、Claude Code 等 skills 目錄，或將官方提示詞交給 AI 按 skillhub.md 安裝；無需 API Key。典型用法爲安裝後在對話中描述表格與規則，由 Agent 按 SKILL.md 執行清洗。
閱讀全文dsh-unique：純 Node 數組去重插件
`dsh-unique` 是一個由 uckkk 維護的 DeepSeek Harness 工作流插件，專注於提供高效的數組去重功能。作爲純 Node.js 實現，它不依賴網絡請求，運行速度快，適合在本地處理列表數據。安裝後可直接在會話中調用其工具。該插件依賴特定版本的 DeepSeek 庫，且由於涉及代碼執行，建議在安裝前檢查源碼與許可證。
閱讀全文DSH 插件介紹：satan9394/dsh-dataset-curation 數據集整理
`satan9394/dsh-dataset-curation` 是一個集成至 DeepSeek Harness 工作流的 DSH 插件，旨在解決智能體開發中繁瑣的數據集整理問題。該插件支持數據清洗、質量篩選、多樣性處理、拆分及標註等核心功能。開發者可通過 GitHub 獲取安裝方式，使用時需注意以當前進程權限運行，並自行檢查源碼許可證。該工具適合需要頻繁規範化處理數據集的開發者。
閱讀全文pandas保姆級教程：缺失值處理從入門到實踐
這篇文章介紹了數據分析中缺失值的處理方法。缺失值指數據集中無有效值，pandas中以`NaN`表示。處理前需先檢查：`isnull()`標記缺失值，`isnull().sum()`統計各列缺失數，`info()`查看整體缺失分佈。 處理策略分刪除和填充：刪除用`dropna()`，按行（默認）或列刪除含缺失值的記錄；填充用`fillna()`，包括固定值（如0）、統計量（均值/中位數適合數值，衆數適合分類）、向前/向後填充（`ffill/bfill`，適用於時間序列）。 案例以電商訂單數據爲例，先檢查缺失值，再用均值填充“金額”列，衆數填充“支付方式”列。處理核心步驟爲：檢查缺失→選策略（極少值刪除，多值或關鍵數據填充）→驗證結果，需結合數據特點靈活選擇方法。
閱讀全文