这个 Skill 能做什么，适合哪些场景？
这是 Skill Seekers 仓库中的一个面向测试的 Jupyter Notebook 参考技能。它覆盖 Python 3 笔记本、Python 3.11.4、数据加载、评估、设置和建模结果等内容。技能提供 pandas、NumPy 和 scikit-learn 的依赖信息，以及 Bash 和 Python 示例。它更适合查阅 golden_jupyter_dir 构建产物和复现示例，而不是执行完整的数据分析项目。
提供一个 Python 3 笔记本知识索引，列出 5 个章节、代码单元格和 Markdown/Raw 单元格统计；记录 numpy、pandas 和 sklearn 依赖；展示 pip 安装、CSV 读取、DataFrame 预览和 %timeit 示例；指向 references/ 下的章节文件与 references/index.md。
- 需要测试 golden_jupyter_dir golden build 的开发者，可用它核对生成的笔记本技能结构。
- 需要复现基础 CSV 数据加载流程的数据分析人员，可参考 pandas 示例。
- 需要审阅笔记本中的建模结果、评估和可视化方法的用户，可按导航访问对应章节。
- 维护 Skill Seekers Jupyter Notebook Scraper 的人员，可用其检查生成内容的统计信息和引用文件。
如何安装这个 Skill？
- 不要将该技能视为完整的数据分析执行器；它主要是特定 golden notebook 的静态参考材料。
- 运行示例前应核对依赖并确认 data.csv 存在；pip install 会修改环境，应在隔离环境中并经用户确认后执行。
- SKILL.md 的代码单元统计与实际示例数量不一致，且部分示例故意失败，不能假设所有代码可复现。
- 未提供明确的版本锁定、维护责任或更新路径，引用内容可能随仓库变更而过时。
- Shell / 命令行
- 本地文件系统
Python 3.11.4numpypandasscikit-learn
README 记录了整个 Skill Seekers 集合的安装命令：pip install skill-seekers；也记录了 Jupyter 支持的可选安装：pip install skill-seekers[jupyter]。来源没有说明如何将本技能单独复制到某个代理的技能目录，因此具体的单技能安装位置未有文档说明。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/yusufkaraaslan/Skill_Seekers.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/tests/golden/phase2/jupyter_dir" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
将该技能用于 golden_jupyter_dir 构建测试或笔记本分析场景。例如触发：Use when testing the golden_jupyter_dir golden build。查阅时可先看 references/index.md，再打开 section_s2-s2.md、section_s5-s5.md、section_s1-s1.md 和 section_s3-s4.md。
这个 Skill 有哪些优点和局限？
- 范围明确，专门面向 golden_jupyter_dir golden build 测试。
- 提供章节导航、语言统计、依赖清单和代码示例。
- 同时覆盖数据加载、评估、设置和建模结果等笔记本内容。
- 使用标准 name 和 description YAML frontmatter。
- 它是测试用参考技能，不是完整的数据分析教程或生产工作流。
- 一个较长的 Python 示例在来源中被截断，无法完整复现。
- 示例质量差异较大，包括质量评分为 2.0/10 的 %timeit 示例。
- 来源没有说明单独安装本技能的目标目录或代理配置方式。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| Golden Jupyter 目录笔记本技能 本页 | 34 · 不推荐 | ★ 15k | 25 天前 | MIT |
| Golden Jupyter 笔记本技能 | 37 · 不推荐 | ★ 15k | 25 天前 | MIT |
| Jupyter 主题分析测试技能 | 31 · 不推荐 | ★ 15k | 25 天前 | MIT |
| Jupyter 数据分析参考技能 | 26 · 不推荐 | ★ 15k | 25 天前 | MIT |
| Jupyter 笔记本工作流助手 ✓ OpenAI · 官方 | 49 · 谨慎使用 | ★ 28k | 4 个月前 | — |
FollowSkills 如何评估这个 Skill？
该技能仅提供笔记本内容、代码示例和引用文件，没有明显恶意行为、凭据窃取或外传指令；但 pip install pandas 会产生外部依赖变更，未说明来源校验、用户确认、隔离或回滚，且源文件归属与数据流说明有限，因此扣分。
文档结构基本自洽，并记录了一个 NameError；但统计信息相互矛盾（Code Cells 为 2，却列出 Python 3 个示例和 Bash 1 个示例），依赖清单包含 numpy 和 sklearn 但安装示例仅安装 pandas，且部分代码无法直接运行，因此扣分。静态审查不支持超过 10 分。
用途和主题较明确，适合查阅该 golden notebook 的分析流程；但名称和描述高度特定于测试构建，未声明非适用场景、输入输出边界或触发条件，也没有中文使用说明或环境可达性信息，因此扣分。
提供了分区结构、导航索引、依赖列表和参考文件，具备基本渐进式阅读组织；但缺少安装说明、版本兼容策略、变更记录、维护责任、更新路径、FAQ 和限制说明，且生成标记表明它更像测试产物，因此扣分。
该技能可帮助用户浏览 notebook 的章节、代码和部分输出，但长示例价值有限，含有明确失败示例，且示例与统计信息不完全一致；没有证据证明能独立完成数据分析或提供可直接复用的完整结果，因此扣分。静态审查下不超过 7 分。
提供了章节引用、代码、文本输出、错误输出和指标表，形成有限的可追溯材料；但没有外部来源、独立复现记录或针对该技能关键路径的测试证据，结论主要依赖提交文件本身，因此扣分。静态审查下不超过 5 分。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →