Przejdź do treści
Biblioteka skilli
Dane i analityka · Konwersja i formaty

data-cleaning

/data-cleaning

Czyści i przygotowuje szeregi czasowe danych finansowych: braki, wartości odstające, splity, dywidendy i kontrolę jakości.

Repozytorium
finance-skills ↗
Licencja
MIT
Ostatnia zmiana repozytorium
15.05.2026

Ocena i bezpieczeństwo

90/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść25 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
1
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 15.05.2026, bez odwołań do wycofanych modeli i API.

Licencja

MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.

Co robi i kiedy

Czyści i przygotowuje szeregi czasowe danych finansowych: braki, wartości odstające, splity, dywidendy i kontrolę jakości.

Oryginalny opis (EN)

Cleans and preprocesses financial time series data. Handles missing values, outliers, corporate actions (splits, dividends), date alignment, and data quality checks. Trigger when the user has messy financial data or needs to prepare data for analysis.

Jak działa

  1. Real Code Reference
  2. Capabilities
  3. Typical Workflow
  4. Edge Cases
Sekcje z nagłówków SKILL.md, w oryginale · 35 linii, 217 słów
Podgląd SKILL.md
---
name: data-cleaning
description: Cleans and preprocesses financial time series data. Handles missing values, outliers, corporate actions (splits, dividends), date alignment, and data quality checks. Trigger when the user has messy financial data or needs to prepare data for analysis.
metadata:
  hermes:
    tags: [data-cleaning, preprocessing, quality, financial-data]
    category: data
---

# Data Cleaning

Prepares financial time series data for analysis by handling common data quality issues.

## Real Code Reference

- `tradinglearn/utils/data_fetcher.py` — `fetch_stock_data()` normalizes TDX raw data to clean DataFrame
- `tradinglearn/utils/simple_pytdx2.py` — mock data generator with controllable noise
- `tradinglearn/pytdx2/client/quotationClient.py` — raw data source (prices need scaling adjustments)

## Capabilities

- **Missing values**: forward fill (ffill), linear interpolation, drop, or flag
- **Outlier detection**: z-score, IQR, moving average deviation
- **Corporate actions**: adjust prices for splits and dividends using adjustment factors
- **Date alignment**: merge multiple series on common trading dates (not calendar dates)
- **Data quality**: volume anomalies, price gaps > N%, stale data, duplicate rows

## Typical Workflow

1. Load raw data → `pd.DataFrame` with columns: date, open, high, low, close, volume
2. Check nulls → `df.isnull().sum()`, decide fill strategy
3. Detect outliers → flag bars where `abs(zscore(returns)) > 3`
4. Adjust for splits → apply adjustment factor series
5. Align dates → reindex to intersection of all trading calendars
6. Validate → no NaNs, no suspicious jumps, no future dates

## Edge Cases

- Non-trading days: use trading calendar, not calendar days
- IPO dates: trim to actual listing date (data before is invalid)
- Suspended stocks: forward-fill last price or mark as NaN
- Pre/after-hours: decide whether to include or filter

Wersje

RepozytoriumWynikLicencja
Ta strona · lisonevf/finance-skills90MIT
ericrisco/rsc-harness100MIT
magnus919/agent-skills100MIT
SSameer20/data-analyst-toolkit100MIT
angshenting/ds-spdd100MIT
seb1n/awesome-ai-agent-skills100MIT
param087/agent-ml-skills100MIT
Amey-Thakur/AI-SKILLS90MIT

Migawka bazy z 13.11.2026 · wersja paczki ef9f66658d0f (skrót SHA-256 całej paczki)

Pobrania w ostatnich 30 dniach: 0 · ranking

Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.

Podobne skille

  • 90clean-transform
    Projektuje pipeline czyszczenia i transformacji danych: braki, wartości odstające i deduplikacja.
  • 100dataset-quality-audit
    Przeprowadza kontrole jakości danych tabelarycznych (CSV, Excel, TSV, JSON): braki, duplikaty, wartości odstające, formaty i typy, z oceną, stopniem i wskazówkami poprawy.
  • 90data-scrubbing
    Czyści i standaryzuje zbiory tabelaryczne: braki, duplikaty, wartości odstające, łączenie rekordów i kontrole przed raportem.
  • 100clean-data
    Profiluje i czyści kliniczny zbiór CSV lub Excel przed analizą (braki, odstające, duplikaty, niezgodne typy) w trzech etapach, każdy po zatwierdzeniu badacza, i nigdy nie czyści automatycznie.
  • 98data-cleaner
    Czyści i przygotowuje surowe dane CSV i Excel do modelowania w konkursach MCM/ICM: braki, wartości odstające, normalizacja i raport jakości.
  • 100pandas
    Pomaga wczytywać, czyścić, przekształcać i analizować dane tabelaryczne w pandas: import CSV, Excel i SQL, brakujące wartości, groupby, łączenie zbiorów i szeregi czasowe.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.