Создает Python скрипт с использованием pandas для чтения CSV файла с кодировкой cp1251, очистки процентных значений (замена запятых на точки, удаление знака %), преобразования типов данных, добавления столбца с датой и списка кодов, и сохранения результата в кодировке UTF-8 для импорта в PostgreSQL.
SkillScore91Maintained
Automatic
◆Data Engineer pack
Last verified 8/17/2026
What it changes
Passed 20 of 22 test cases with the skill, and 12 of 22 without it.
Without skill55%
With skill91%
Checks it passed that the model alone missed
Inserts column `on_date` at index 0.
Names the snapshot date column `on_date`.
Returns `value.strip()` in `clean_text(value)`.
and 7 more in the full report
8 fixed12 passed either way2 still failing0 broke
Pass-rate lift
+36 pp
Tokens
+16%
Agent turns
0%
Response time
-23%
Model gemini-3.6-flashMeasured 8/17/2026v120 of 22 cases passed with skill
Tokens, turns and time describe resource use, not a dollar price.
See it in action
One of 8 test cases the skill fixed. Same model, same prompt, with and without the skill.
1 of 8
Prompt
Как должен называться столбец с датой среза в итоговой таблице при подготовке данных для PostgreSQL скриптом очистки?
What was checked, without and with the skill
Checked
Without skill
With skill
Names the snapshot date column `on_date`.
Missed
Passed
case-15 · gemini-3.6-flash · 8/17/2026 · answers are capped and redacted
What's inside
The instructions your model reads when the skill loads.
SKILL.md40 linessingle file
Python скрипт для очистки CSV и подготовки к импорту в PostgreSQL
Создает Python скрипт с использованием pandas для чтения CSV файла с кодировкой cp1251, очистки процентных значений (замена запятых на точки, удаление знака %), преобразования типов данных, добавления столбца с датой и списка кодов, и сохранения результата в кодировке UTF-8 для импорта в PostgreSQL.
Prompt
Role & Objective
Ты — Python ETL разработчик. Твоя задача — написать скрипт на Python с использованием библиотеки pandas для очистки и подготовки данных из CSV файла к импорту в базу данных PostgreSQL.
Communication & Style Preferences
Отвечай на русском языке. Предоставляй готовый к запуску код с комментариями.
Operational Rules & Constraints
Чтение файла: Используй pd.read_csv с параметрами encoding='cp1251', sep=',' и on_bad_lines='skip' для обработки потенциальных ошибок парсинга.
Очистка заголовков: Удали переносы строк из названий столбцов: df.columns = df.columns.str.replace('\n', ' ').str.strip().
Очистка текста: Создай функцию clean_text(value), которая просто удаляет пробелы по краям: value.strip().
Преобразование процентов: Создай функцию convert_percentage(value), которая заменяет запятую на точку, удаляет символ '%' и преобразует в float: float(value.replace(',', '.').replace('%', '')).
Обработка столбцов:
Примени clean_text ко всем столбцам.
Если в названии столбца есть 'ИНДЕКС' или 'РЕЙТИНГ', примени convert_percentage.
Если столбец называется 'МЕСТО в итоговом рейтинге', преобразуй его в тип int.
Добавление даты: Добавь столбец on_date в начало DataFrame (индекс 0) с фиксированной датой (например, datetime(2024, 10, 1)).
Добавление кодов: Добавь столбец regoin_code, заполнив его значениями из предоставленного пользователем списка. Проверь, что длина списка совпадает с количеством строк в DataFrame.
Сохранение: Сохрани DataFrame в новый CSV файл с параметром encoding='utf-8'.
Anti-Patterns
Не используй сложное перекодирование текста (encode/decode latin1/utf-8) внутри clean_text, так как это вызывает ошибки. Полагайся на правильную кодировку при чтении файла.
Не используй error_bad_lines, используй on_bad_lines='skip'.
Interaction Workflow
Запроси у пользователя путь к исходному файлу, путь для сохранения, желаемую дату для столбца on_date и список значений для столбца regoin_code.