搜索[skill]结果-低调大师优秀个人博客

精选列表

搜索[skill]，共727篇文章

[python skill]Python 中 NaN 和 None 的详细比较

原文出自：http://junjiecai.github.io/posts/2016/Oct/20/null_value_comparison/ 感谢~ python原生的None和pandas, numpy中的numpy.NaN尽管在功能上都是用来标示空缺数据。但它们的行为在很多场景下确有一些相当大的差异。由于不熟悉这些差异，曾经给我的工作带来过不少麻烦。特此整理了一份详细的实验，比较None和NaN在不同场景下的差异。实验的结果有些在意料之内，有些则让我大跌眼镜。希望读者看过此文后会None和NaN这对“小妖精”有更深的理解。为了理解本文的内容,希望本文的读者需要对pandas的Series使用有一定的经验。首先，导入所需的库 In[2]: Python 1 2 3 from numpy import NaN from pandas import Series, DataFrame import numpy as np 数据类型? None是一个python特殊的数据类型，但是NaN却是用一个特殊的float In[3]: Python 1 type(None) Out[3]: Python 1 NoneType In[4]: Python 1 type(NaN) Out[4]: Python 1 float 能作为dict的key? In[5]: Python 1 {None:1} Out[5]: Python 1 {None: 1} In[6]: Python 1 {NaN:1} Out[6]: Python 1 {nan: 1} In[7]: Python 1 {None:1, NaN:2} Out[7]: Python 1 {nan: 2, None: 1} 都可以，而且会被认为是不同的key Series函数中的表现 Series.map In[8]: Python 1 2 s = Series([None, NaN, 'a']) s Out[8]: Python 1 2 3 4 0None 1 NaN 2 a dtype: object In[9]: Python 1 s.map({None:1,'a':'a'}) Out[9]: Python 1 2 3 4 01 11 2a dtype: object 可以看到None和NaN都会替换成了1 In[10]: Python 1 s.map({NaN:1,'a':'a'}) Out[10]: Python 1 2 3 4 01 11 2a dtype: object 同样None和NaN都会替换成了1 In[11]: Python 1 s.map({NaN:2,'None':1,'a':'a'}) Out[11]: Python 1 2 3 4 02 12 2a dtype: object 将None替换成1的要求被忽略了 In[12]: Python 1 s.map({'None':1,NaN:2,'a':'a'}) Out[12]: Python 1 2 3 4 02 12 2a dtype: object 将NaN替换成1的要求被忽略了总结:用Series.map对None进行替换时,会“顺便”把NaN也一起替换掉；NaN也会顺便把None替换掉。如果None和NaN分别定义了不同的映射数值，那么只有一个会生效。 Series.replace中的表现 In[13]: Python 1 2 s = Series([None, NaN, 'a']) s Out[13]: Python 1 2 3 4 0None 1 NaN 2 a dtype: object In[14]: Python 1 s.replace([NaN],9) Out[14]: Python 1 2 3 4 09 19 2a dtype: object In[15]: Python 1 s.replace([None],9) Out[15]: Python 1 2 3 4 09 19 2a dtype: object 和Series.map的情况类似,指定了None的替换值后,NaN会被替换掉;反之亦然。对函数的支持 numpy有不少函数可以自动处理NaN。 In[16]: Python 1 np.nansum([1,2,NaN]) Out[16]: Python 1 3.0 但是None不能享受这些函数的便利，如果数据包含的None的话会报错 In[17]: Python 1 2 3 4 try: np.nansum([1,2,None]) except Exception as e: print(type(e),e) unsupported operand type(s) for +: ‘int’ and ‘NoneType’ pandas中也有不少函数支持NaN却不支持None。(毕竟pandas的底层是numpy) In[18]: Python 1 2 import pandas as pd pd.cut(Series([NaN]),[1,2]) Out[18]: Python 1 2 3 0NaN dtype: category Categories (1, object): [(1, 2]] In[19]: Python 1 2 3 4 5 import pandas as pd try: pd.cut(Series([None]),[1,2]) except Exception as e: print(type(e),e) unorderable types: int() > NoneType() 对容器数据类型的影响混入numpy.array的影响如果数据中含有None,会导致整个array的类型变成object。 In[20]: Python 1 np.array([1, None]).dtype Out[20]: Python 1 dtype('O') 而np.NaN尽管会将原本用int类型就能保存的数据转型成float，但不会带来上面这个问题。 In[21]: Python 1 np.array([1, NaN]).dtype Out[21]: Python 1 dtype('float64') 混入Series的影响下面的结果估计大家能猜到 In[22]: Python 1 Series([1, NaN]) Out[22]: Python 1 2 3 01.0 1NaN dtype: float64 下面的这个就很意外的吧 In[23]: Python 1 Series([1, None]) Out[23]: Python 1 2 3 01.0 1NaN dtype: float64 pandas将None自动替换成了NaN！ In[24]: Python 1 Series([1.0, None]) Out[24]: Python 1 2 3 01.0 1NaN dtype: float64 却是Object类型的None被替换成了float类型的NaN。这么设计可能是因为None无法参与numpy的大多数计算，而pandas的底层又依赖于numpy，因此做了这样的自动转化。不过如果本来Series就只能用object类型容纳的话， Series不会做这样的转化工作。 In[25]: Python 1 Series(['a', None]) Out[25]: Python 1 2 3 0 a 1None dtype: object 如果Series里面都是None的话也不会做这样的转化 In[26]: Python 1 Series([None,None]) Out[26]: Python 1 2 3 0None 1None dtype: object 其它的数据类型是bool时，也不会做这样的转化。 In[27]: Python 1 Series([True, False, None]) Out[27]: Python 1 2 3 4 0 True 1False 2 None dtype: object 等值性判断单值的等值性比较下面的实验中None和NaN的表现会作为后面的等值性判断的基准(后文称为基准) In[28]: Python 1 None == None Out[28]: Python 1 True In[29]: Python 1 NaN == NaN Out[29]: Python 1 False In[30]: Python 1 None == NaN Out[30]: Python 1 False 在tuple中的情况这个不奇怪 In[31]: Python 1 (1, None) == (1, None) Out[31]: Python 1 True 这个也不意外 In[32]: Python 1 (1, None) == (1, NaN) Out[32]: Python 1 False 但是下面这个实验NaN的表现和基准不一致 In[33]: Python 1 (1, NaN) == (1, NaN) Out[33]: Python 1 True 在numpy.array中的情况 In[34]: Python 1 np.array([1,None]) == np.array([1,None]) Out[34]: Python 1 array([ True,True], dtype=bool) In[35]: Python 1 np.array([1,NaN]) == np.array([1,NaN]) Out[35]: Python 1 array([ True, False], dtype=bool) In[36]: Python 1 np.array([1,NaN]) == np.array([1,None]) Out[36]: Python 1 array([ True, False], dtype=bool) 和基准的表现一致。但是大部分情况我们希望上面例子中，我们希望左右两边的array被判定成一致。这时可以用numpy.testing.assert_equal函数来处理。注意这个函数的表现同assert，不会返回True, False，而是无反应或者raise Exception In[37]: Python 1 np.testing.assert_equal(np.array([1,NaN]), np.array([1,NaN])) 它也可以处理两边都是None的情况 In[38]: Python 1 np.testing.assert_equal(np.array([1,None]), np.array([1,None])) 但是一边是None，一边是NaN时会被认为两边不一致, 导致AssertionError In[39]: Python 1 2 3 4 try: np.testing.assert_equal(np.array([1,NaN]), np.array([1,None])) except Exception as e: print(type(e),e) Python 1 2 3 4 5 6 <class 'assertionerror'=""> Arrays are not equal (mismatch 50.0%) x: array([1.,nan]) y: array([1, None], dtype=object) 在Series中的情况下面两个实验中的表现和基准一致 In[40]: Python 1 Series([NaN,'a']) == Series([NaN,'a']) Out[40]: Python 1 2 3 0False 1 True dtype: bool In[41]: Python 1 Series([None,'a']) == Series([NaN,'a']) Out[41]: Python 1 2 3 0False 1 True dtype: bool 但是None和基准的表现不一致。 In[42]: Python 1 Series([None,'a']) == Series([None,'a']) Out[42]: Python 1 2 3 0False 1 True dtype: bool 和array类似，Series也有专门的函数equals用于判断两边的Series是否整体看相等 In[43]: Python 1 Series([None,'a']).equals(Series([NaN,'a'])) Out[43]: Python 1 True In[44]: Python 1 Series([None,'a']).equals(Series([None,'a'])) Out[44]: Python 1 True In[45]: Python 1 Series([NaN,'a']).equals(Series([NaN,'a'])) Out[45]: Python 1 True 比numpy.testing.assert_equals更智能些，三种情况下都能恰当的处理在DataFrame merge中的表现两边的None会被判为相同 In[46]: Python 1 2 3 a = DataFrame({'A':[None,'a']}) b = DataFrame({'A':[None,'a']}) a.merge(b,on='A', how = 'outer') Out[46]: A 0 None 1 a 两边的NaN会被判为相同 In[47]: Python 1 2 3 a = DataFrame({'A':[NaN,'a']}) b = DataFrame({'A':[NaN,'a']}) a.merge(b,on='A', how = 'outer') Out[47]: A 0 NaN 1 a 无论两边都是None,都是NaN，还是都有,相关的列都会被正确的匹配。注意一边是None,一边是NaN的时候。会以左侧的结果为准。 In[48]: Python 1 2 3 a = DataFrame({'A':[None,'a']}) b = DataFrame({'A':[NaN,'a']}) a.merge(b,on='A', how = 'outer') Out[48]: A 0 None 1 a In[49]: Python 1 2 3 a = DataFrame({'A':[NaN,'a']}) b = DataFrame({'A':[None,'a']}) a.merge(b,on='A', how = 'outer') Out[49]: A 0 NaN 1 a 注意这和空值在postgresql等sql数据库中的表现不一样，在数据库中， join时两边的空值会被判定为不同的数值在groupby中的表现 In[50]: Python 1 2 d = DataFrame({'A':[1,1,1,1,2],'B':[None,None,'a','a','b']}) d.groupby(['A','B']).apply(len) Out[50]: Python 1 2 3 4 AB 1a2 2b1 dtype: int64 可以看到(1, NaN)对应的组直接被忽略了 In[51]: Python 1 2 d = DataFrame({'A':[1,1,1,1,2],'B':[None,None,'a','a','b']}) d.groupby(['A','B']).apply(len) Out[51]: Python 1 2 3 4 AB 1a2 2b1 dtype: int64 (1,None)的组也被直接忽略了 In[52]: Python 1 2 d = DataFrame({'A':[1,1,1,1,2],'B':[None,NaN,'a','a','b']}) d.groupby(['A','B']).apply(len) Out[52]: Python 1 2 3 4 AB 1a2 2b1 dtype: int64 那么上面这个结果应该没啥意外的总结 DataFrame.groupby会忽略分组列中含有None或者NaN的记录支持写入数据库? 往数据库中写入时NaN不可处理，需转换成None,否则会报错。这个这里就不演示了。相信作为pandas老司机，至少能想出两种替换方法。 In[53]: Python 1 2 s = Series([None,NaN,'a']) s Out[53]: Python 1 2 3 4 0None 1 NaN 2 a dtype: object 方案１ In[54]: Python 1 s.replace([NaN],None) Out[54]: Python 1 2 3 4 0None 1None 2 a dtype: object 方案２ In[55]: Python 1 2 s[s.isnull()]=None s Out[55]: Python 1 2 3 4 0None 1None 2 a dtype: object 然而这么就觉得完事大吉的话就图样图森破了，看下面的例子 In[56]: Python 1 2 s = Series([NaN,1]) s Out[56]: Python 1 2 3 0NaN 11.0 dtype: float64 In[57]: Python 1 s.replace([NaN], None) Out[57]: Python 1 2 3 0NaN 11.0 dtype: float64 In[58]: Python 1 2 s[s.isnull()] = None s Out[58]: Python 1 2 3 0NaN 11.0 dtype: float64 当其他数据是int或float时,Series又一声不吭的自动把None替换成了NaN。这时候可以使用第三种方法处理 In[59]: Python 1 s.where(s.notnull(), None) Out[59]: Python 1 2 3 0None 1 1 dtype: object where语句会遍历s中所有的元素，逐一检查条件表达式，如果成立，从原来的s取元素；否则用None填充。这回没有自动替换成NaN None vs NaN要点总结在pandas中，如果其他的数据都是数值类型， pandas会把None自动替换成NaN, 甚至能将s[s.isnull()]= None,和s.replace(NaN, None)操作的效果无效化。这时需要用where函数才能进行替换。 None能够直接被导入数据库作为空值处理，包含NaN的数据导入时会报错。 numpy和pandas的很多函数能处理NaN，但是如果遇到None就会报错。 None和NaN都不能被pandas的groupby函数处理，包含None或者NaN的组都会被忽略。等值性比较的总结:（True表示被判定为相等） None对None NaN对NaN None对NaN 单值 True False False tuple(整体) True True False np.array(逐个) True False False Series(逐个) False False False assert_equals True True False Series.equals True True True merge True True True 由于等值性比较方面，None和NaN在各场景下表现不太一致，相对来说None表现的更稳定。为了不给自己惹不必要的麻烦和额外的记忆负担。实践中，建议遵循以下三个原则即可在用pandas和numpy处理数据阶段将None,NaN统一处理成NaN,以便支持更多的函数。如果要判断Series,numpy.array整体的等值性，用专门的Series.equals,numpy.array函数去处理，不要自己用==判断 * 如果要将数据导入数据库，将NaN替换成None

2018-08-05

[python skill]利用python实现假设性检验方法

hello，大噶好，最近新学习了利用python实现假设性检验的一些方法，下面结合方法的数学原理做简单的总结~ 假设检验是推论统计中用于检验统计假设的一种方法。而“统计假设”是可通过观察一组随机变量的模型进行检验的科学假说。[1]一旦能估计未知参数，就会希望根据结果对未知的真正参数值做出适当的推论。统计上对参数的假设，就是对一个或多个参数的论述。而其中欲检验其正确性的为零假设（null hypothesis），零假设通常由研究者决定，反应研究者对未知参数的看法。相对于零假设的其他有关参数之论述是备择假设（alternative hypothesis），它通常反应了执行检定的研究者对参数可能数值的另一种（对立的）看法（换句话说，备择假设通常才是研究者最想知道的）。假设检验的种类包括：t检验，Z检验，卡方检验，F检验等等。参考：https://zh.wikipedia.org/wiki/%E5%81%87%E8%A8%AD%E6%AA%A2%E5%AE%9A 应该说假设性检验是一种处理数据的思路，依据不同的实验数据和目的可以使用不同的处理方法。如T检验，Z检验，卡方检验，F检验等等~~ -------------------------------------------------------------------------------------------------------------------- Permutation test on frog data 学习假设性检验之前大家不妨先复习一下之前转载的一篇关于置换检验 permutation test的一篇博文，它是假设性检验的一种方法，比较简单基础，所以先从这种方法说起。置换检验适用于两组完整的实验数据（n1,n2）之间的分析比较：主要流程是： 1、合并n1，n2，无放回地抽取生成与原数据长度相等的两组数据(n1`,n2`) def permutation_sample(data1, data2): """Generate a permutation sample from two data sets.""" # Concatenate the data sets: data data = np.concatenate((data1, data2)) # Permute the concatenated array: permuted_data permuted_data = np.random.permutation(data) # Split the permuted array into two: perm_sample_1, perm_sample_2 perm_sample_1 = permuted_data[:len(data1)] perm_sample_2 = permuted_data[len(data1):] return perm_sample_1, perm_sample_2 2、重复1过程，进行多次实验（如10000次），将每次实验得出数据（n1`,n2`）求平均，再将平均值做差： def draw_perm_reps(data_1, data_2, func, size=1): """Generate multiple permutation replicates.""" # Initialize array of replicates: perm_replicates perm_replicates = np.empty(size) for i in range(size): # Generate permutation sample perm_sample_1, perm_sample_2 = permutation_sample(data_1,data_2) # Compute the test statistic perm_replicates[i] = func(perm_sample_1,perm_sample_2) return perm_replicates def diff_of_means(data_1, data_2): """Difference in means of two arrays.""" # The difference of means of data_1, data_2: diff diff = np.mean(data_1)-np.mean(data_2) return diff 3、这样我们得到多个（10000）置换排列求得的结果，这些结果能代表模拟抽样总体情况。举个栗子： Kleinteich and Gorb (Sci. Rep.,4, 5225, 2014) performed an interesting experiment with South American horned frogs. They held a plate connected to a force transducer, along with a bait fly, in front of them. They then measured the impact force and adhesive force of the frog's tongue when it struck the target. K和G博士以前做过一系列实验，研究青蛙舌头的黏力与哪些因素有关。他们经过测试发现：FROG_A(老青蛙）的平均黏力0.71 Newtons (N)和FROG_B(小青蛙)的0.42 Newtons (N)。这0.29牛顿的差距仅仅因为测试样本过少而偶然发生的吗？还是由于年龄的差距确实影响了青蛙的舌头黏力呢？于是，两位科学家使用置换检验的方法对数据进行了分析： # Compute difference of mean impact force from experiment: empirical_diff_means empirical_diff_means = diff_of_means(force_a,force_b)#求得原始数据的平均值的差值 # Draw 10,000 permutation replicates: perm_replicates perm_replicates = draw_perm_reps(force_a, force_b, diff_of_means, size=10000)#重复一万次实验之后统计差值分布情况 # Compute p-value: p p = np.sum(perm_replicates >= empirical_diff_means) / len(perm_replicates)#计算统计差值中比原始数据差值还大的可能 # Print the result print('p-value =', p) output： p-value = 0.0063 可以看到，在这个假设中，我们认为：FROG_A和FROG_B的分布是相同的（年龄并不影响舌头的黏力）（You will compute the probability of getting at least a 0.29 N difference in mean strike force under the hypothesis that the distributions of strike forces for the two frogs are identical. ）。经过反复实验之后，我们得到依据原始数据得出的（估计的，可能的）客观世界均值的差值的分布情况，并求出了原始数据以及比原始数据更大（更加离谱的差值）的概率，他是0.6%，说明出现这种比原始数据还离谱的差值概率是很小的。所以我们只能否定原来的假设，认为年龄是影响舌头黏力的因素。这就是简单置换检验。 ----------------------------------------------------------------------------------------------------------------------------------- Bootstrap hypothesis tests ----------------------------------------------------------------------------------------------------------------------------------- A one-sample bootstrap hypothesis test 下面科学家继续对青蛙们进行研究：在后面的研究中，科学家们发现了另一组青年青蛙FROG_C（FROG_B也是年轻青蛙哦），但不幸的是，FROG_C原始数据由于某些原因遗失，只记得它们的黏力均值为0.55N，而FROG_B的黏力均值是0.4191。因为没有FROG_C原始数据，所以我们无法进行置换检验，无法确定FROG_B和FROG_C是否服从同一种分布（是否是同一种青蛙）。它们是同一种青蛙吗？为了进行分析，两个科学家绞尽脑汁，提出了一个大胆的想法：既然不能确定分布情况，那我们假设FROG_B和FROG_C的黏力均值是一样的好了（The mean strike force of Frog B is equal to that of Frog C.）： Another juvenile frog was studied, Frog C, and you want to see if Frog B and Frog C have similar impact forces. Unfortunately, you do not have Frog C's impact forces available, but you know they have a mean of 0.55 N. Because you don't have the original data, you cannot do a permutation test, and you cannot assess the hypothesis that the forces from Frog B and Frog C come from the same distribution. You will therefore test another, less restrictive hypothesis: The mean strike force of Frog B is equal to that of Frog C. To set up the bootstrap hypothesis test, you will take the mean as our test statistic.Remember, your goal is to calculate the probability of getting a mean impact force less than or equal to what was observed for Frog Bif the hypothesis that the true mean of Frog B's impact forces is equal to that of Frog C is true. You first translate all of the data of Frog B such that the mean is 0.55 N. This involves adding the mean force of Frog C and subtracting the mean force of Frog B from each measurement of Frog B. This leaves other properties of Frog B's distribution, such as the variance, unchanged. # Make an array of translated impact forces: translated_force_b translated_force_b = force_b-np.mean(force_b)+0.55#改变FROG_B的黏力（为什么要改FROG_B的数据呢？？？认为FROG_B的原始数据采集错误吗？） # Take bootstrap replicates of Frog B's translated impact forces: bs_replicates bs_replicates = draw_bs_reps(translated_force_b, np.mean, 10000)#bootstrap reps # Compute fraction of replicates that are less than the observed Frog B force: p p = np.sum(bs_replicates <= np.mean(force_b)) / 10000#求p # Print the p-value print('p = ', p) output: p = 0.0046 用人类普通话重复一下代码语言就是：在我们做出的假设的前提下，修改了一组FROG_B的数据（因为我们没有均值为0.55N的实验数据，所以我们杜撰了这个？？？我不确定这里我的理解是否正确），使之均值为0.55，记录于translated_force_b中，我们经过10000次bootstrap replicate实验，我们得出了满足假设条件的客观世界的均值分布，最后求出比真实FORG_B数据更加极端的所有情况的概率是0.46%，可能性很小，所以否定了原来的假设，即FROG_B的黏力均值几乎不可能和FROG_C相等。可以看到这个实验是针对一组有数据的样本，和一组没有数据的样本（只是知道其中的某个统计量），以这个没有样本的某个统计量为研究目的进行的分析。 ----------------------------------------------------------------------------------------------------------------------------------- A bootstrap test for identical distributions 这个实验是基于两种样本完整的数据，检测他们是否具有相同的分布情况（Frog A and Frog B have identical distributions of impact forces ）： # Compute difference of mean impact force from experiment: empirical_diff_means empirical_diff_means = diff_of_means(force_a,force_b) # Concatenate forces: forces_concat forces_concat = np.concatenate((force_a,force_b)) # Initialize bootstrap replicates: bs_replicates bs_replicates = np.empty(10000) for i in range(10000): # Generate bootstrap sample bs_sample = np.random.choice(forces_concat, size=len(forces_concat)) # Compute replicate bs_replicates[i] = diff_of_means(bs_sample[:len(force_a)], bs_sample[len(force_a):]) # Compute and print p-value: p p = np.sum(bs_replicates>=empirical_diff_means) / len(bs_replicates) print('p-value =', p) output： p-value = 0.0055 代码过程解析： 1、首先我们认为FROG_A和FROG_B的分布是相同的，那么我们就可以将其合并（forces_concat = np.concatenate((force_a,force_b))）； 2、利用bootstrap replicate，我们可以有放回地抽取force_a，force_b长度的两组数据，求平均值（得到一种可能的客观世界均值），并对平均值做差。 3、重复2步骤10000次，我们就得到了可能的客观世界中两个里在假设情况下均值之差的分布情况。 4、检验比原始数据（empirical_diff_means = diff_of_means(force_a,force_b)）更极端的情况发生的概率是多少，求出p值。得到了概率为0.55%，很小，所以我们否定了原来的假设，即：FROG_A和FROG_B不应该有相同的分布情况。可以看到，与重置检验的方法类似，两个检验方法的出发点都是：在两个给出的样本中，如果假设他们的分布相同，那么均值之差为0.29的情况下在是否是一个大概率事件。但两种方法孰优孰劣呢？datacamp中老师们给出的答案是： Testing the hypothesis that two samples have the same distribution may be done with a bootstrap test, but a permutation test is preferred because it is more accurate (exact, in fact). 可见，重置检验的方法是更加值得信任的。但重置检验方法也有它的局限性： But therein lies the limit of a permutation test; it is not very versatile. We now want to test the hypothesis that Frog A and Frog B have the same mean impact force, but not necessarily the same distribution. This, too, is impossible with a permutation test. 当我们只想比较FROG_A和FROG_B是否具有相同的均值，而不必知道他们是否有相同的分布时，重置检验就没有办法了。 ----------------------------------------------------------------------------------------------------------------------------------- A two-sample bootstrap hypothesis test for difference of means. # Compute mean of all forces: mean_force mean_force = np.mean(forces_concat) # Generate shifted arrays force_a_shifted = force_a - np.mean(force_a) + mean_force force_b_shifted = force_b - np.mean(force_b) + mean_force # Compute 10,000 bootstrap replicates from shifted arrays bs_replicates_a = draw_bs_reps(force_a_shifted, np.mean, 10000) bs_replicates_b = draw_bs_reps(force_b_shifted, np.mean, 10000) # Get replicates of difference of means: bs_replicates bs_replicates = bs_replicates_a - bs_replicates_b # Compute and print p-value: p p = np.sum(bs_replicates>=empirical_diff_means) / len(bs_replicates) print('p-value =', p) output： p-value = 0.0043 可以看到，bootstrap analysis确实具有更加灵活多样的检验能力，不仅可以检验两组数据是否具有相同的分布，而且可以检验数据是否具有相同的均值。 that's all thank you~

2018-08-02

又一个神级视频skill，炸了

做知识讲解、故事口播想用手绘白板风，你还在用videoscribe,或者doodly?声音和画面反复对齐，分镜排版策划脚本反复调整？头早就大了吧。

2026-09-08

中文内容创作者，必装的 10 个 Skill

最近在 GitHub 上挖到了一批中文内容创作 Agent Skill，从"去 AI 味"到选题诊断、从长文写作到配图排版、从社交卡片到 PPT 二次分发——一条完整的中文内容生产流水线，全开源、全免费

2026-09-08

Workbuddy必备的 5 个 Skill，效率直接起飞！

不论你用 WorkBuddy、OpenClaw 还是 Marvis，这 5 个 Skill 都值得装。安装也很简单：直接在对话里说「搜索并安装 Skill 名称」，确认后启用即可。

2026-09-07

两个 Skill 触发条件差不多，如何优化

一个 Agent 里装了两个 Skill，触发条件有交集，用户一句话过来俩都想触发，怎么优化

2026-09-06

《WorkBuddy Skills 实战》第3招 Skill怎么装最稳

上周三下午，同事小周在群里甩了一个 GitHub 链接，说这个调试辅助包很好用，让大家赶紧装上。我点开一看，仓库里除了一份说明文档，还有两个 shell 脚本。小周没细看，直接把整个目录复制到了 WorkBuddy 的技能目录里。结果当天晚上，我们的测试环境收到了一堆奇怪的 HTTP 请求，来源指向某个不知名域名。排查下来，就是那个脚本在作怪。

2026-09-03

《WorkBuddy Skills 实战》第19招 Skill也有供应链

我是老李。最近我们团队差点把开发机的 SSH 公钥交给一个来路不明的“周报生成能力包”。事情发生在周四下午，组里想用 WorkBuddy 自动生成项目周报，同事从某个社区仓库拉了一个压缩包，安装前只瞄了一眼说明文档，看到“纯 Markdown、无二进制、即装即用”便放心解压。结果当天晚上安全组告警：有一台开发机向外网发了一个 POST 请求，Body 里带着 ~/.ssh/id_rsa.pub 的内容。

2026-09-03

把自己的 Skill 放上 GitHub，再从仓库装回来（中）

上集我们已经从零做出一个 Skill，并在本地完成第一次调用。可它现在还住在桌面：电脑一换、文件夹一丢，作品就容易变成“只在作者机器上表演过一次”的限定款。

2026-08-23

Artifacts Workflow新时代：提示词/Skill工程师凉了

在早期的 AI Agent 时代（比如 2023 年的 AutoGPT 或 CrewAI），大家天天把“给 Agent 写 Skill（技能）”挂在嘴边。

2026-08-23

小秀一把我的校稿润色扩充 skill

今天就把我们这只 skill 拆开给同行看——能不能干活、谁在用、花了多久、花了多少钱。图表 1：校稿润色扩充 skill 与人工编辑的工时对比（单份 ××× 字文稿）

2026-08-13

记录MCP与SKILL融合的一次工程实践

灵犀是一个面向 C 端用户的智能助理，核心场景是围绕用户的通信业务提供智能问答与办理服务——查话费、查套餐、推荐流量包、办理权益等。这些能力通过内部业务接口实现，是灵犀的"主业"。

2026-07-29

一键生成商用级AI技能的AI Skill

一款专为生产环境打造的AI元技能。只需输入自然语言需求，即可自动生成符合企业级规范、包含完整测试与文档的“可投产”AI技能包。它告别了碎片化的代码生成，提供从逻辑构建到异常处理的一站式解决方案。让AI能力的开发从“手工作坊”迈向“工业化生产”，显著提升团队交付效率与代码质量。

2026-07-20

就一个 skill ，凭啥 6w star ？

如果你经常让 Codex、Cursor 或 Claude Code 写前端，大概率见过一种熟悉的页面：紫色渐变、居中大标题、三张等宽卡片，再配一点玻璃效果。

2026-07-16

apple-design：从Apple WWDC 设计精华炼成的 Skill

Emil Kowalski（前 Vercel、Linear 设计师，现 animations.dev 创始人）把苹果级设计品位做成了一个 skills。

2026-07-13

Skill 不是给 AI 写能力，而是给 AI 写 SOP

但如果你真的用过 AI coding agent，你很快就会发现，真正麻烦的从来不是“它会不会”，而是“它稳不稳”。

2026-07-13

微信支付升级 AI 原生接入能力，推出打包 Skill

微信支付宣布推出一整套面向 AI 的支付接入 Skill：涵盖Skill技能包、AI友好文档、AI友好API三大工具，只需「唤起AI—加载Skill—说出需求」，即可速通微信支付接入

2026-04-10

社区大神整活，玲珑商店 Skill 来了！

社区大神@wuhan再添新作，手搓“玲珑商店社区版 Agent Skill”！从此不用手动点点点，跟 AI 说句话，就能轻松搞定玲珑应用的所有常用操作，效率直接拉满！这个Skill 能做啥？

2026-03-04

真正的高手都在给 AI 沉淀 Skill：一篇讲透如何设计一个优秀的 Skill

但 2026 年的真相是：高手和普通人的差距，早已不在 Prompt，而在 Skill。本文系统拆解 Skill 的设计门道——从底层机制到六条设计原则，再到一份可直接抄走的完整模板，看完就能上手。

2026-09-01

论文解读｜从经验到 Skill：Agent 的能力沉淀机制

围绕让 Agent 根据执行轨迹自动修改 Skill，近期已经出现了一批相似思路的方法：先执行任务，分析成功与失败轨迹，再生成 Skill 修改，并通过验证集决定是否保留。

2026-09-02

资源下载

更多资源

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。