建模前检查 CSV
将获准的 CSV 放在明确的工作目录中。检查去敏报告里的字段类型和缺失情况，选特征前请数据负责人核对含义不清的列。
Exploratory Data Analysis
在建模前检查获准使用的本地数据。核心工具可离线汇总受支持的文件，并列出报告覆盖范围，供后续分析时核对。
分析前检查本地数据
根据获准的输入范围，先核对数据结构和缺失情况，再选择分析方法。
带入 Floatboat 的请求
请求可预览和复制，不会从此处自动发送。
参考来源: Exploratory Data Analysis https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/skills/exploratory-data-analysis/SKILL.md 先阅读原始说明并核对当前环境与依赖。需要安装或连接新工具时，先提出方案。 我的任务: 使用 K-Dense AI 的 exploratory-data-analysis Skill 检查我获准使用的本地 CSV。运行前列出文件和允许目录。用核心脚本汇总缺失情况、抽样限制和后续检查项，不输出原始行，也不修改源文件。 期望交付: 一份带覆盖范围和数据质量检查项的去敏汇总。
关于 Exploratory Data Analysis
K-Dense AI 以 MIT 许可发布这项 Skill，提供有读取边界的 Python 检查脚本和分析指引。标准库脚本可处理 CSV、TSV 和严格 JSON，输出去敏汇总。其他格式按对应检查器另行配置，分析前先确认文件和范围受到支持。
Exploratory Data Analysis 的数据核验场景
同一数据检查方法可用于比较不同交付，但检查重点要服务于下一个研究决定。保留原始文件，并将汇总报告与源数据分开。
对比两份 TSV 交付
按相近的检查限制分析两份获准的导出文件。对比列数和缺失统计，记录抽样或字段结构差异，再判断是否要请对方重新导出。
检查严格 JSON 导出
提供本地 JSON 文件和预期的数据结构。使用有读取边界的脚本检查结构差异，再记录哪些问题需要获准后深入核实。
排查可能泄露目标的字段
在获准的数据旁说明预测目标与拆分规则。先分开记录可疑信号和已确认缺陷，在移除字段前请负责人核对它的来源。
如何检查本地科研数据
先选定获准的目录和明确支持的文件类型。查看汇总报告时，要把检查范围、抽样限制和下一步分析决定对在一起。
指定获准检查的文件
给出允许访问的根目录和明确的文件列表，将本次任务之外的文件排除在读取范围外。
调用对应的核心脚本
用 Python 3.11 或更高版本执行适合该文件类型的内置脚本，并保存汇总结果。
核对覆盖范围与限制
将报告与文件类型、读取限制和后续分析决定对照，保留原始文件。
探索更多 Agent Skills
查看其他 Skill 指南，并在使用前核对原始来源。
Exploratory Data Analysis 常见问题
核心脚本支持什么文件类型？
标准库脚本支持 CSV、TSV 和严格 JSON。可选检查器另有支持范围和依赖条件。
可以不联网检查数据吗？
核心脚本可离线运行。选用可选检查器前，应核对它的依赖及安装条件。
报告会展示原始记录吗？
上游要求输出去敏汇总，不输出原始行、直接身份标识或完整文件路径。
遇到未知文件格式怎样处理？
先跳过该文件。确认格式后使用上游支持的检查器，或另行批准相应流程。
报告可以当作统计结论吗？
报告用来发现问题和数据质量风险。确认性结论需要单独选定方法并验证。
这个 Skill 使用什么许可？
上游清单将该 Skill 标为 MIT。使用其他 Skill 时，分别查阅其许可字段。