Dataframely : Meilleures pratiques pour les schémas et collections Polars

Ce que fait ce skill

Fournit des conventions concrètes et des exemples d'utilisation de Dataframely pour définir des types dy.Schema et dy.Collection qui documentent, valident et imposent une structure dans les data frames Polars. Le skill explique comment déclarer les types de colonnes, les contraintes, les règles inter-colonnes, les règles de groupe et comment utiliser les wrappers typés DataFrame/LazyFrame pour des interfaces stables et des transformations de données plus sûres. Il couvre également la sémantique de validation vs filtrage, la génération de données de test synthétiques et les conventions d'E/S pour la persistance des métadonnées de schéma.

Quand l'utiliser

Utilisez ce skill lorsque vous écrivez ou refactorisez du code ETL/traitement de données qui consomme ou produit des data frames Polars et que vous souhaitez des garanties de schéma fortes et testables. Il est utile pour l'intégration, l'application de contrats de données, la validation des entrées/sorties et la conception de tests unitaires pour les transformations.

Ce qui est inclus

• Scripts : aucun déclaré dans le snapshot du repo (has_scripts=false).
• Références : aucune dans le fichier de skill récupéré.
• Instructions : exemples détaillés pour définir des sous-classes dy.Schema, des relations dy.Collection, écrire des méthodes @dy.rule et @dy.filter, utiliser Schema.validate vs Schema.filter, le casting pour la performance, et des recommandations pour les tests et la génération de données synthétiques.

Agents compatibles

Idéalement utilisé avec des assistants capables de coder qui maîtrisent les idiomes Python et Polars (style Copilot ou Claude Code), et avec une automatisation CI/test exécutant des suites de tests Python.