Pandas 表格数据处理
将以下提示词粘贴到你的 AI 对话框中：
请根据 https://skillhub.cn/install/skillhub.md，安装 @kunlungrowth/pandas-pro 这个表格数据处理技能。
技能介绍
它解决什么问题
数据清洗的大部分事故不在算法，而在工程细节：合并后行数悄悄膨胀、时序重采样把区间边界算错、内存在几次 copy 之后翻倍。表格数据处理 把这类工作收敛成一套固定流程——先看懂结构，再设计变换，最后用断言把结果钉住。
核心能力与工作流
- 向量化优先：按需求拆成向量化操作，明确索引与轴方向，尽量用方法链而不是循环。
- 分五步执行：
1. 评估结构：检查 dtype、缺失情况与内存占用。
2. 设计变换：优先向量化实现，明确索引。
3. 实现：使用方法链，避免循环。
4. 校验：对行数、空值、列集合做断言。
5. 输出工件：返回 PandasResult。
覆盖 DataFrame 清洗、聚合、合并，时间序列重采样、缺失值处理，以及较大数据集的性能优化。
输出与下游衔接
每次输出两段：结构化工件 PandasResult（shape、transforms、nulls、notes）加一段自然语言摘要，给出质量自检结果与最该改的 2～3 点。完整模板（工作流要点、质量自检清单、工件示例、常见陷阱）在 references/template.md。
结构化结果可被下游的 sql-pro、postgres-pro 消费，沉淀成查询。
适用边界
适合单进程内存内的表格处理。数据超过内存时，应改用 spark-engineer；需要深度学习建模的场景不在范围内。
使用场景
- 手上有两份 Excel，需要按订单号和日期双键关联后按月份汇总销售额，同时确认没有笛卡尔积膨胀。
- 每日 CSV 日志有缺失时间戳，需要按小时重采样补齐空值，再断言列集合没有意外变化。
- 百万行的用户行为表在内存里跑得慢，需要找出可以合并的重复 `copy`，把 `dtype` 从 `object` 转成 `category` 降内存。
- 季度报表要把三张结构不同的表合并成一张宽表，合并后需要断言行数、空值数量和列名完全一致。
适合人员
- 数据分析师：每周要把多个业务系统的导出表关联汇总，担心 merge 后行数对不上但没时间逐行核对。
- 后端工程师：在 FastAPI 或定时任务里处理 DataFrame，需要把向量化写法和内存优化固化成标准流程。
- 量化研究员：用 pandas 处理分钟级行情，需要重采样和缺失值处理有明确断言，避免无声的数据错位。
- 增长团队运营：把投放数据和转化日志按日期对齐，希望输出结构化结果后交给 SQL 同事沉淀成报表。
相关技能
一款完全本地运行的微信聊天数据分析工具，支持MBTI人格推断、情感分析、风险检测、关系健康度评估和对话预测，注重隐私保护。
一个自动启动 Edge 浏览器并连接 BrowserSkill 扩展的通用组件，确保网页抓取和自动化任务的前置条件就绪。
面向小红书单篇笔记或品类搜索，输出标题套路、结构、原话评论和可跟进角度的调研备忘；粘贴笔记即可无需查询完成，公开查询需单独确认且计费。
基于新浪财经接口的 A 股实时行情监测工具，支持价格与涨跌幅预警、日志记录和定时检查。