code-data-analysis-scaffolds

コードデータ分析のスキャフォールド

目次

• 概要
• ワークフロー
• スキャフォールドの種類
• ガードレール
• クイックリファレンス

概要

このスキルでは、一般的な技術パターン向けの構造化されたスキャフォールドを提供します。

1. TDD スキャフォールド：要件をもとに、コードを実装する前にテスト構造を生成します
2. EDA スキャフォールド：データセットをもとに、体系的な探索計画を作成します
3. 統計分析スキャフォールド：質問をもとに、適切な統計検定／モデルを設計します
4. 検証スキャフォールド：コード／モデル／データをもとに、包括的な検証チェックリストを作成します

ユーザーがスキャフォールドを使わずにすぐ実行することを望んでいる場合、すでに明確な計画がある場合、またはタスクが簡単な場合は、このスキルを使用しないでください。

簡単な例：

タスク：「認証関数を書く」

TDD スキャフォールド：

# テスト構造（まずこれらを書く）
def test_valid_credentials():
    assert authenticate("[email protected]", "correct_pass") == True

def test_invalid_password():
    assert authenticate("[email protected]", "wrong_pass") == False

def test_nonexistent_user():
    assert authenticate("[email protected]", "any_pass") == False

def test_empty_credentials():
    with pytest.raises(ValueError):
        authenticate("", "")

# テストに合格するように、次に authenticate() を実装する

ワークフロー

このチェックリストをコピーして、進捗を記録してください。

Code Data Analysis Scaffolds Progress:
- [ ] Step 1: Clarify task and objectives
- [ ] Step 2: Choose appropriate scaffold type
- [ ] Step 3: Generate scaffold structure
- [ ] Step 4: Validate scaffold completeness
- [ ] Step 5: Deliver scaffold and guide execution

ステップ 1：タスクと目的を明確にする

タスク、データセット／コードベースのコンテキスト、制約、期待する結果についてユーザーに尋ねます。TDD（先にテストを書く）、EDA（データを探索する）、統計分析（仮説を検定する）、検証（品質を確認する）のどれに該当するかを判断します。コンテキストに関する質問については、resources/template.md を参照してください。

ステップ 2：適切なスキャフォールドの種類を選ぶ

タスクに基づいて、スキャフォールドを選択します。TDD（コードのテスト）、EDA（データの探索）、統計分析（仮説検定、A/B テスト）、因果推論（処置効果の推定）、予測モデリング（ML モデルの構築）、または検証（品質の確認）から選びます。選び方については、スキャフォールドの種類を参照してください。

ステップ 3：スキャフォールドの構造を生成する

体系的なフレームワークを作成し、各段階の明確な手順、検証チェックポイント、期待される出力を含めます。標準的なケースでは resources/template.md を使用し、高度な手法については resources/methodology.md を参照してください。

ステップ 4：スキャフォールドの完全性を検証する

スキャフォールドがすべての要件を網羅していること、検証手順を含んでいること、前提を明示していること、明確な成功基準を示していることを確認します。resources/evaluators/rubric_code_data_analysis_scaffolds.json を使って自己評価してください。最低スコアは ≥3.5 です。

ステップ 5：スキャフォールドを提示し、実行を案内する

次の手順を明確に示して、スキャフォールドを提示します。ユーザーが実行の支援を望む場合は、スキャフォールドに沿って体系的に進めます。スキャフォールドによって不足（データの欠落、要件の不明確さなど）が明らかになった場合は、先にそれらを提示してから進めます。

スキャフォールドの種類

TDD（テスト駆動開発）

用途：新しいコードの作成、既存コードのリファクタリング、バグの修正 出力：テスト構造（テストケース → 実装 → リファクタリング） 主な要素：正常系、エッジケース、エラー条件を網羅するテストケース、テストデータのセットアップ

EDA（探索的データ分析）

用途：新しいデータセット、データ品質に関する疑問、特徴量エンジニアリング 出力：探索計画（データの概要 → 品質チェック → 単変量 → 二変量 → インサイト） 主な要素：データの形状／型、欠損値、分布、外れ値、相関

統計分析

用途：仮説検定、A/B テスト、グループ間の比較 出力：分析設計（質問 → 仮説 → 検定の選択 → 前提 → 解釈） 主な要素：帰無仮説／対立仮説、有意水準、検出力分析、前提の確認

因果推論

対象：処置効果を推定するとき、相関だけでなく因果関係を理解するとき 出力：因果推論の設計（DAG → 識別戦略 → 推定 → 感度分析） 主な要素：交絡因子、処置群／対照群、識別の仮定、効果の推定

予測モデリング

対象：ML モデルの構築、予測、分類／回帰タスク 出力：モデリングパイプライン（データ準備 → 特徴量エンジニアリング → モデル選択 → 検証 → 評価） 主な要素：訓練／検証／テスト分割、ベースラインモデル、指標の選択、交差検証、誤差分析

検証

対象：デプロイ前にデータ品質、コード品質、モデル品質を確認するとき 出力：検証チェックリスト（アサーション → エッジケース → 統合テスト → モニタリング） 主な要素：受け入れ基準、テストカバレッジ、エラー処理、境界条件

ガードレール

• 足場を作る前に明確化する - ユーザーが何を必要としているかを推測せず、まず確認の質問をします
• 因果推論と予測を区別する - 因果推論には予測とは異なる手法（RCT／IV 対 ML）が必要です
• 仮定を明示する - すべての足場には仮定（データ分布、ユーザーの行動、システムの制約）があります
• 検証手順を含める - 各段階で作業を検証するチェックポイントを足場に含めます
• 例を示す - 良い例（テストのサンプル、EDA の可視化サンプル、モデル評価のサンプル）を示します
• 不足を早期に明らかにする - 足場によってデータや要件の不足が判明した場合は、すぐに指摘します
• 時期尚早な最適化を避ける - シンプルな足場から始め、必要な場合にのみ複雑さを加えます
• ベストプラクティスに従う - TDD：まずテストを書く、EDA：データ品質から始める、モデリング：複雑なモデルの前にベースラインを用意する

クイックリファレンス

タスクの種類	使用する場面	足場のリソース
TDD	コードの作成／リファクタリング	resources/template.md #tdd-scaffold
EDA	新しいデータセットの探索	resources/template.md #eda-scaffold
統計分析	仮説検定、A/B テスト	resources/template.md #statistical-analysis-scaffold
因果推論	処置効果の推定	resources/methodology.md #causal-inference-methods
予測モデリング	ML モデルの構築	resources/methodology.md #predictive-modeling-pipeline
検証	リリース前の品質チェック	resources/template.md #validation-scaffold
例	良い例を確認する	resources/examples/
評価基準	足場の品質を検証する	resources/evaluators/rubric_code_data_analysis_scaffolds.json