de dataframely583
Directives et meilleures pratiques pour définir des schémas et des collections Polars typés, valider les data frames et écrire des tests avec Dataframely.
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.
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.
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.
Cette compétence n'a pas encore été examinée par notre pipeline d'audit automatisé.
