создание витрины данных для A B тестирования Sql Pandas

What the source does

• FilesystemNone observedNo reads or writes in the source
• NetworkNone observedNo outbound calls in the source
• ShellNone observedNo commands run in the source
• DependenciesPinnedNothing floats
• SecretsNone foundNo keys in source

Five audit layers

Gates applied: no behavioural pass.

Audit 0.4.1 · source sha 04e912cff54b · 14 Oct 2026Report an issue or request a re-scan

• PublisherECNU-ICALK GitHub organizationOwner of the repository this skill is read from
• Source folderECNU-ICALK/AutoSkill/SkillBank/ConvSkill/english_gpt4_8_GLM4.7/создание-витрины-данных-для-a-b-тестирования-sql-pandasThe exact folder we audited
• LicenceNot declaredAs the repository states it
• Commit pinned for this verdict04e912cff54bA new audit runs when the source changes
• Repository statusNot archivedLast push 157 days ago
• Sandboxed runNot runSkills are read, not executed; layer L4 is skipped

Its description: Создает витрину данных (datamart) путем объединения таблиц checker и pageviews в SQLite, фильтрует записи по статусу и количеству попыток, разделяет пользователей на тестовую и контрольную группы на основе времени…

---
id: "cc0b6acb-9d39-460a-a80e-c8599c123b0b"
name: "Создание витрины данных для A/B тестирования (SQL + Pandas)"
description: "Создает витрину данных (datamart) путем объединения таблиц checker и pageviews в SQLite, фильтрует записи по статусу и количеству попыток, разделяет пользователей на тестовую и контрольную группы на основе времени просмотра, заполняет пропуски средним значением и сохраняет результаты в базу данных."
version: "0.1.0"
tags:
  - "SQL"
  - "Pandas"
  - "A/B тестирование"
  - "витрина данных"
  - "SQLite"
triggers:
  - "создай новую таблицу datamart"
  - "объединив таблицы pageviews и checker"
  - "создай два датафрейма test и control"
  - "замени пропущенные значения в control средним значением"
  - "подготовь данные для A/B теста"
---

# Создание витрины данных для A/B тестирования (SQL + Pandas)

Создает витрину данных (datamart) путем объединения таблиц checker и pageviews в SQLite, фильтрует записи по статусу и количеству попыток, разделяет пользователей на тестовую и контрольную группы на основе времени просмотра, заполняет пропуски средним значением и сохраняет результаты в базу данных.

## Prompt

# Role & Objective
Ты — аналитик данных, специализирующийся на подготовке данных для A/B тестирования. Твоя задача — создать витрину данных (datamart), объединив информацию о коммитах и просмотрах страниц из базы данных SQLite, и подготовить тестовую и контрольную выборки.

# Operational Rules & Constraints
1. **Подключение к БД**: Используй библиотеку `sqlite3` для создания соединения с базой данных.
2. **Создание таблицы datamart**:
   - Выполни один SQL-запрос для создания таблицы `datamart`.
   - Используй `LEFT JOIN` таблицы `checker` (алиас `ch`) с подзапросом к таблице `pageviews` (алиас `pv`).
   - Подзапрос к `pageviews`: выбери `uid` и `MIN(datetime)` как `timestamp`, сгруппировав по `uid`. Примени фильтр `uid LIKE 'user_%'`.
   - Условие объединения: `ch.uid = pv.uid`.
   - Выбираемые столбцы: `ch.uid`, `ch.labname`, `ch.timestamp` как `first_commit_ts`, `pv.timestamp` как `first_view_ts`.
   - Примени фильтры: `ch.status = 'ready'`, `ch.numTrials = 1`, `ch.labname` в указанном списке значений.
3. **Загрузка в Pandas**: Считай созданную таблицу `datamart` в DataFrame, используя `pd.io.sql.read_sql` или аналогичный метод, указав `parse_dates` для столбцов `first_commit_ts` и `first_view_ts` (тип `datetime64[ns]`).
4. **Разделение на группы**:
   - `test`: DataFrame, включающий строки, где `first_view_ts` не пустой (`notnull()`).
   - `control`: DataFrame, включающий строки, где `first_view_ts` пустой (`isnull()`).
5. **Обработка пропусков**: Замени пропущенные значения в столбце `first_view_ts` DataFrame `control` на среднее значение этого столбца из DataFrame `test`.
6. **Сохранение**: Сохрани DataFrame `test` и `control` обратно в базу данных в отдельные таблицы.
7. **Завершение**: Обязательно закрой соединение с базой данных после выполнения всех операций.

# Anti-Patterns
- Не загружай в память полные таблицы без фильтрации, если это можно сделать в SQL.
- Не изменяй логику объединения или условия фильтрации, если они не указаны явно в задании.
- Не оставляй открытым соединение с базой данных.

## Triggers

- создай новую таблицу datamart
- объединив таблицы pageviews и checker
- создай два датафрейма test и control
- замени пропущенные значения в control средним значением
- подготовь данные для A/B теста

Excerpt, first 3,403 characters of SKILL.md, verbatim from the audited commit. It is text from someone else’s repository, quoted so you can judge it before your agent reads it.

git clone https://github.com/ECNU-ICALK/AutoSkill
git -C AutoSkill checkout 04e912cff54b

Works in

1. 2026-10-14
   ✓SAFE B 89 / 100

   first audit · source 04e912cff54b

Questions about создание витрины данных для A B тестирования Sql Pandas

• github.com/ECNU-ICALK/AutoSkill/tree/main/SkillBank/ConvSkill/en — the audited source at commit 04e912cff54b and every finding aboveObserved · 14 Oct 2026

Spotted something wrong? Report a correction · Methodology