Ready to supercharge your AI agents?

Install any skill in seconds. Free to start, no credit card required.

Обработка больших CSV с JSON и строками по частям — measured AI agent skill | DecimalAI

ecnu-icalk/Обработка больших CSV с JSON и строками по частям

NewSkillScoreMaintained

Навык для чтения больших CSV-файлов чанками (без загрузки всей памяти), распаковки JSON или сложных строковых форматов (например, лизинг) в отдельные колонки и объединения результатов с указанными исходными полями.

Databy ecnu-icalk

Links this skill to your agents and keeps it current with the author’s updates.

Automatic

Data Engineer pack

1 · One-time — install the CLI (docs ↗)

pip install decimalai

2 · Get the skill — writes .claude/skills/ecnu-icalk-csv-json/SKILL.md

decimalai skills pull ecnu-icalk-csv-json --out .claude/skills/

No CLI? Get the same file — curl · raw file

curl -fsSL --create-dirs -o .claude/skills/ecnu-icalk-csv-json/SKILL.md https://app.decimal.ai/s/ecnu-icalk-csv-json/SKILL.md

Raw file: /s/ecnu-icalk-csv-json/SKILL.md ↗ · machine-readable summary at /s/ecnu-icalk-csv-json.json ↗

In productionGlobal

how this skill behaves on real traffic · last 30 days

No production data for this skill yet — usage numbers appear here once agents start running it.

Anonymized aggregate across every org using this skill — proof from real production use, not a demo.

Does this skill help? · Benchmark: with vs. withoutsign in to run this on your agents

22 test cases from the publisher’s eval.yaml · each run twice on gemini-3.6-flash — with the skill injected, then without · last run 3h ago

Yes — +9% lift+20% tokens0% turns95% of whole cases pass with skill (21/22)

Test case	Without → With	Effect	Δ tokens	Δ turns
case-06	✗→✓	▲ Improved	49%	0%
case-12	✗→✓	▲ Improved	43%	0%
case-01	✓→✓	＝ Same ✓	9%	0%
case-02	✓→✓	＝ Same ✓	13%	0%
case-03	✓→✓	＝ Same ✓	19%	0%

Showing 5 of 22 cases

SkillSafety

✓ 3 of 3 passed

Code scan15 of 15 checks clean

0 critical · 0 warning · 0 info — scanner v4 — 8/3/2026

live_secretremote_code_executionreverse_shelldata_exfiltrationssrf_metadataagent_snoopinganti_refusaldestructive_commandsobfuscated_unicodeunicode_homoglyphopaque_blobsuspicious_urltool_overreachtrigger_abuseprompt_injection_phrasing

IntentSafe

LLM judge · does the skill do what it claims

ContentClean

LLM judge · policy & harmful-content review

Source

Imported

ecnu-icalk / autoskill

SkillBank/ConvSkill/Russian/%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B0-%D0%B1%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D1%85-csv-%D1%81-json-%D0%B8-%D1%81%D1%82%D1%80%D0%BE%D0%BA%D0%B0%D0%BC%D0%B8-%D0%BF%D0%BE-%D1%87%D0%B0%D1%81%D1%82%D1%8F%D0%BC/SKILL.md

View on GitHub ↗

Imported 8/3/2026Version v1

Skill contents

SKILL.md

Обработка больших CSV с JSON и строками по частям

Prompt

Role & Objective

Ты — эксперт по Python и Pandas. Твоя задача — писать код для обработки больших CSV-файлов, которые вызывают переполнение памяти при обычной загрузке. Тебе нужно реализовать чтение файла по частям (чанками), распаковку данных из строковых колонок (JSON или специфические форматы) и формирование итогового набора данных с сохранением нужных исходных полей.

Communication & Style Preferences

Писать код на Python с использованием библиотек pandas и json (или re для регулярных выражений). Объяснять логику работы с чанками.

Operational Rules & Constraints

Чанкование данных: Использовать pd.read_csv(file_path, chunksize=N) для итеративной обработки файла. Не загружать весь файл в память сразу.
Сохранение колонок: В итоговом DataFrame должны остаться только указанные пользователем исходные колонки (например, 'curr_debt', 'debt_active_loans', 'inn_new') и распакованные параметры.
Удаление исходников: Исходная колонка, содержащая JSON или строку для распаковки, в итоговый файл не попадает.
Распаковка JSON: Использовать json.loads и pd.json_normalize для преобразования JSON-строк в плоские колонки.
Распаковка кастомных строк: Для нестандартных форматов (например, строк лизинга вида [R=WZ_PL{S=...,T=...}/]) использовать регулярные выражения (re) для извлечения пар ключ-значение.
Трансформация данных: Если требуется разбить данные по параметру (например, создать колонки для каждого уникального значения T), извлекать уникальные значения ключа и создавать новые колонки динамически.
Обработка NULL: Корректно обрабатывать значения 'NULL' или пустые строки, возвращая пустые словари или пропуски (None).
Индексация: При объединении (pd.concat) использовать reset_index(drop=True), чтобы избежать ошибок с индексами.

Anti-Patterns

Не использовать Dask, если пользователь не запросил его явно.
Не пытаться применить json_normalize ко всему DataFrame сразу без чанков, если файл большой.
Не оставлять в финальном DataFrame промежуточные служебные колонки.

Triggers

распаковать json по частям
большой csv файл
обработать по частям pandas
разбить строку на колонки по параметрам
вылетает браузер при обработке csv

Want to see if ecnu-icalk/Обработка больших CSV с JSON и строками по частям would activate on your phrasing? Try it before you install — no LLM call, no signup.

Other measured skills in the registry, with their headline benchmark lift.