數據處理 Skill：多源材料提取與臺賬整理
SkillHub 社區技能「數據處理」（@user_60000197/data-extraction，v1.0.0）面向圖片與掃描件 OCR、PDF、Word、Excel/CSV、網頁等來源的文字與表格提取，並整理爲規範 Excel 或 Word，適用於內審、文檔數字化、臺賬與數據清洗。本文基於官方簡介與 SkillHub 安裝文檔，說明能力邊界、skillhub CLI 安裝路徑（含 Cursor 等）及典型協作流程；標籤 requires_api_key=false。
閱讀全文數據處理腳本生成器：用 Excel 模板與 ERP 導出自動生成 Python 報表腳本
SkillHub 社區 Skill「數據處理腳本生成器」（@user_9cd20060/data-processing-script-generator，v1.0.0）面向固定 Excel 模板與 ERP 導出數據的日報場景，在 Agent 對話中根據模板與樣例數據自動生成 Python 處理腳本併產出報表。無需 API Key。本文介紹定位、核心能力、skillhub install 與 Cursor/Claude Code 等 skills 目錄配置，以及「幫我生成數據處理腳本」的典型用法與適用注意。
閱讀全文dsh-toolbox：DeepSeek Harness 的零依賴工具箱
`dsh-toolbox` 是 DeepSeek Harness 的工具箱插件，旨在解決智能體開發中的重複性任務。它包含十個本地運行的純函數工具，涵蓋 JSON 處理、計算、編碼、時間、CSV、正則、統計、Markdown 和 Schema 校驗。所有工具不聯網、不讀寫文件、不執行代碼，確保了安全與穩定性。該插件非常適合用於數據清洗、格式轉換及自動化流程。安裝需使用官方命令，暫未發佈至 npm。
閱讀全文dsh-median：DSH 插件
DSH Harness 推出 dsh-median 插件，用於計算數值中位數。該插件基於純 Node.js 實現，無網絡依賴，安裝便捷。用戶通過 `dsh plugin add github:uckkk/dsh-median` 即可啓用，在本地會話中直接調用。插件以當前進程權限運行，適合本地數據處理場景，安裝前建議檢查源碼與許可證。
閱讀全文dsh--query：JSON 路徑查詢與設置工具
dsh--query 是 DeepSeek Harness (DSH) 的一個純 Node.js 插件，旨在解決智能體處理 JSON 數據效率低下的問題。它提供了 JSON 路徑查詢與設置能力，無需依賴外部網絡服務。開發者需通過命令安裝並在配置中啓用，安裝後即可在會話中調用工具進行數據操作。該插件適合複雜 JSON 數據處理場景，但建議審閱源碼後安裝。
閱讀全文dsh--flatten：JSON 數據扁平化工具
`dsh--flatten` 是 DeepSeek Harness (DSH) 的一個聯網工具插件，用於將嵌套 JSON 數據轉換爲點號分隔的扁平鍵格式。它支持雙向轉換及數組索引處理。用戶可通過 `dsh plugin add dsh--flatten` 安裝，並在會話中調用 `flatten_` 函數進行數據轉換。由於是純 Node 實現，使用時建議審閱源碼。
閱讀全文dsh-group-by：按鍵分組插件
dsh-group-by 是 DeepSeek Harness (DSH) 的一個純 Node.js 客戶端插件，用於數據與會話的邏輯按鍵分組，無網絡依賴。用戶需通過終端安裝該插件，隨後在會話中調用其註冊工具即可使用。該插件以當前 DSH 進程權限運行，使用前應檢查源碼與許可證。它通過按鍵分組功能簡化了數據處理流程。
閱讀全文dsh-csv-parse：健壯的 CSV 解析與表格處理工具
`dsh-csv-parse` 是一個由 istone 維護的 DSH 生態插件，旨在解決本地化、無依賴的 CSV 解析需求。它提供純 Node 實現、CSV 解析及表格處理能力，不涉及網絡請求。用戶可通過官方命令安裝，並在 profile 中配置使用。安裝即運行第三方代碼，建議審閱源碼後使用。
閱讀全文MongoDB聚合管道：初學者也能看懂的數據分析方法
MongoDB聚合管道是數據處理的“流水線”，通過多階段加工實現複雜數據分析。核心是由多個“階段”組成，每個階段處理前一階段輸出，依次完成篩選、投影、分組統計等操作。 關鍵階段包括：`$match`（篩選，類似SQL WHERE）、`$project`（投影，類似SELECT）、`$group`（分組統計，如平均分、總數，類似GROUP BY）、`$sort`（排序）、`$limit`（限制數量）。 實戰中，通過多階段組合可實現複雜分析：如篩選1班數學成績並投影姓名和分數（`$match+$project`），按科目分組計算平均分（`$group+$sort`），或統計班級+科目平均分及人數（複合分組）。常用操作符還包括`$sum`（求和）、`$avg`（平均）等。 其優勢是無需手動導出數據，通過管道式組合高效完成分析，建議從簡單階段開始，逐步練習多階段嵌套，熟悉各階段作用即可掌握。
閱讀全文pandas索引（Index）入門：輕鬆搞定數據排序與重命名
### pandas索引（Index）詳解 索引是pandas中標識數據位置和內容的關鍵，類似Excel的行號/列標題，是數據的“身份證”，核心作用包括快速定位數據、支持排序和合並操作。 **數據排序**： - **Series排序**：按索引排序用`sort_index()`（默認升序，可設`ascending=False`降序）；按值排序用`sort_values()`（默認升序，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/列標籤，如`df.rename(index={舊名:新名})`或`df.rename(columns={舊名:新名})`； - 直接賦值修改：`df.index = [新索引]`或`df.columns = [新列名]`，需保證長度一致。 **注意事項**： - 區分行索引（`df.index`）和列索引（`df.columns`）； - 修改索引時
閱讀全文