NVIDIA cuDF 数据帧指南
帮助熟悉 pandas 的开发者编写正确、高性能的 NVIDIA GPU 数据帧代码。
技能限定于本地 cuDF/数据处理指导，未见恶意行为、凭据窃取、隐蔽外传或破坏性默认操作，并明确 GPU/CPU 边界和数据转换边界；但未明确用户确认、敏感数据处理、依赖安全、回滚机制或外部文档访问的数据流，因此扣分。
路径选择、兼容性提示、语义校验建议和 OOM/不支持操作排障较完整；但依赖环境、引用文件和关键 API 未在所给材料中完全复现，存在 silent fallback，且无静态可验证的 CI/测试覆盖，因此按静态上限保守扣分。
目标用户、cuDF/cudf.pandas/dask-cuDF 场景、100K 行门槛和 PyTorch 负向案例边界较清楚；但描述较宽泛、缺少明确负触发条件，未说明中文交互或中国大陆网络可达性，环境适配证据有限，因此扣分。
文档包含兼容性、三条路径、内存策略、排障、引用文件、版本号和许可证信息，且 benchmark 报告维护刷新建议；但缺少推荐的 Instructions、Examples、Purpose 章节，安装/依赖、变更历史、维护责任和更新路径不够明确，因此扣分。
内容直接覆盖 ETL、连接、聚合、空值、reshape、时序和多 GPU 等核心任务，并提供可改写的代码模式；benchmark 和评测任务显示潜在实用价值，但静态审查无法确认输出正确性、性能收益或运行可用性，按静态上限给分。
有固定发布版本、引用文档、提交的评测任务和 benchmark 报告，形成一定审计线索；但缺少可独立复核的完整执行日志、CI 工作流、测试结果和多来源交叉证据，因此只能给中低分。
- 评测报告中的性能、正确性和安全指标是提交材料中的声明；本次静态审查未执行 cuDF、CUDA、dask-cuDF 或任何评测。
- 实际使用前应确认 GPU 架构、CUDA/驱动、Python、cuDF 版本及引用 reference 文件可用，并对代表性数据执行 pandas/cuDF 结果对比。
- 技能未说明敏感数据、外部 WebFetch、网络不可达和回滚处理；在中国大陆或受限网络环境中，外部文档获取可能失败。
- cudf.pandas 对不支持操作可能静默回退到 CPU，不能仅凭成功运行声称获得 GPU 加速。
这个 Skill 能做什么，适合哪些场景？
这是 NVIDIA 编写的 cuDF 与 dask-cuDF 实施指南，面向使用 GPU 数据帧进行数据处理的开发者。它覆盖 cudf.pandas 加速器、显式 cuDF API，以及超出单 GPU 显存时的 dask-cuDF 多 GPU 工作流。指南还涉及 ETL、连接、分组、CSV/Parquet I/O、可空语义、内存溢出和 pandas 对照验证。其跟踪的 cuDF 版本为 26.04，并给出 CUDA、驱动和 Python 兼容范围。
指导用户通过 cudf.pandas 或显式 cuDF 读取 CSV/Parquet 数据、执行筛选、连接、分组、字符串处理、重塑和时间序列操作，并在数据超过 GPU 显存时使用 dask-cuDF。它提供启用 spill、配置 RMM 内存资源、检查 cudf.pandas 回退和建立 pandas 对照路径的代码示例。它还要求比较形状、标签、空值数量、排序、代表性数值和数据类型，以检查 CPU/GPU 语义一致性。
- 熟悉 pandas 的开发者希望以较小代码改动尝试 GPU 加速时，使用 cudf.pandas。
- 需要迁移命名 DataFrame 逻辑、优化 ETL 热路径或控制不支持操作时，使用显式 cuDF。
- 处理超过单块 GPU 显存的数据集时，使用启用 spill 的 dask-cuDF。
- 涉及连接、分组、重塑、空值或时间序列语义时，使用 pandas 参考路径进行结果校验。
- GPU 内存不足或频繁分配导致性能问题时，按照指南启用 spill 或配置 RMM。
这个 Skill 有哪些优点和局限？
- 同时覆盖最小改动加速、显式 API 迁移和多 GPU 大数据路径。
- 明确强调 100K 行规模门槛、GPU 到 CPU 的边界转换和语义验证。
- 提供空值、排序稳定性、浮点差异、回退和 OOM 的具体排查规则。
- 包含 cudf.pandas、dask-cuDF 和内存管理的可复制代码示例。
- 低于 100K 行时 GPU 传输开销通常可能超过收益。
- 需要兼容的 NVIDIA GPU、CUDA、驱动和 Python 版本。
- 部分 pandas 操作可能回退到 CPU 或尚未实现，需要查阅参考文件并设置兼容边界。
- 源材料没有提供独立测试套件、基准结果或实际平台验证数据。
如何安装这个 Skill？
使用 skills CLI 安装指定技能：
npx skills add nvidia/skills --skill accelerated-computing-cudf --yes
README 未说明 cuDF、CUDA、驱动或 Python 的具体安装命令；这些运行时依赖需要按其各自文档准备。
如何使用这个 Skill？
在已加载该技能的 Agent 中提出具体任务，例如：“请把这段 pandas ETL 代码迁移到显式 cuDF，并比较 pandas 与 GPU 结果的空值、排序和代表性数值。”如果只需最小改动，可要求使用 cudf.pandas；如果需要跨 GPU 或数据超过显存，可要求使用 dask-cuDF。指南跟踪的 cuDF 版本为 26.04。
这个 Skill 与同类方案有什么区别？
指南明确比较 cudf.pandas、显式 cuDF 和 dask-cuDF：前者适合兼容性和最小改动，显式 cuDF 适合控制和热点路径，dask-cuDF 适合超出 GPU 显存的多 GPU 数据集。