coding-data-science

coding-data-science

目的

このスキルを使うと、OpenClaw は Python、R、Julia を使用して、機械学習、データの加工、可視化、統計モデリング、ノートブックの実行などのデータサイエンス業務に対応できます。これらの言語を統合し、シームレスなコード実行と分析を実現します。

使用するタイミング

ユーザーがデータセットを処理したり、ML モデルを構築したり、統計分析を行ったりする場合に、このスキルを使用します。Jupyter ノートブックでの探索的データ分析、Python の scikit-learn を使ったモデルのトレーニング、R の ggplot2 を使ったデータの可視化などのタスクに適用してください。Web 開発のようなデータに関係しないタスクには使用しないでください。

主な機能

• データ操作（例：pandas を使用）や ML（例：scikit-learn）のために Python コードを実行します。
• 統計モデリング（例：glm の使用）や可視化（例：ggplot2）のために R スクリプトを実行します。
• ML（例：Flux.jl）での高性能コンピューティングに Julia を使用できます。
• インタラクティブなセッション用に、Jupyter などのノートブック形式に対応します。
• Python の numpy による配列処理、R の dplyr によるデータ加工、Julia の DataFrames.jl などのライブラリと連携します。
• Python の dask による並列コンピューティングなど、メモリ効率の高い方法で大規模なデータセットを処理します。

使用パターン

このスキルを使用するには、言語とコードを指定して、CLI または API 経由で OpenClaw を呼び出します。認証には環境変数 $OPENCLAW_API_KEY を必ず設定してください。たとえば、コマンドの前にスキル ID を指定します：openclaw execute --skill coding-data-science。複数ステップのワークフローには、JSON 設定ファイルを使用します。例：{"lang": "python", "code": "import pandas as pd"}。Python スクリプトを実行して R の可視化に使うデータを生成するなど、出力をパイプでつないでタスクを連携できます。

一般的なコマンド/API

直接実行するには、OpenClaw CLI を使用します：

• コマンド：openclaw execute --skill coding-data-science --lang python --code "import pandas as pd; print(pd.read_csv('data.csv').head())" --output json
  • フラグ：--lang は言語（python、r、julia）を指定します。--code はインラインコードを指定します。--output は結果の形式を指定します（解析用の json など）。
• API エンドポイント：/api/v1/execute に次のペイロードを指定して POST します：{"skill": "coding-data-science", "lang": "r", "code": "library(dplyr); summary(iris)"}
  • ヘッダー：Authorization: Bearer $OPENCLAW_API_KEY を含めます。
• 設定形式：スクリプトには YAML を使用します。例：

  lang: julia
  code: using Statistics; mean([1,2,3])
  

• コードスニペット：Python の ML の場合：

  from sklearn.linear_model import LinearRegression
  model = LinearRegression().fit(X, y)
  predictions = model.predict(X_test)
  

• コードスニペット：R で可視化する場合：

  library(ggplot2)
  ggplot(iris, aes(Sepal.Length, Sepal.Width)) + geom_point()
  

統合に関する注意

仮想環境を設定して、このスキルを各環境に統合します。OpenClaw の実行前フックを通じて、Python では pip install pandas、R では install.packages("dplyr") を使用します。Jupyter ノートブックでは、ノートブックファイルを直接渡します：openclaw execute --skill coding-data-science --lang notebook --file my_notebook.ipynb。設定ファイルで依存関係を管理します。例：JSON の場合：{"dependencies": {"python": ["pandas"], "r": ["ggplot2"]}}。コードスニペット内の $DATA_API_KEY など、シークレットには環境変数を使用します。特定の ML ライブラリで Python 3.8 以降が必要な場合など、バージョンを指定して互換性を確保してください。

エラー処理

言語固有のエラーを確認してください。Python では不足しているパッケージに対する ImportErrors を捕捉し、R では関数に渡された数値以外の引数を処理します。OpenClaw のエラーコードを使用します：構文エラーは 400、実行時エラーは 500 です。コードは必ず try-except ブロックで囲みます。例：

try:
    import missing_library  # This will raise ImportError
except ImportError as e:
    print(f"Error: {e}")

R の場合：tryCatch() を使用します。例：

tryCatch({
    summary(iris)
}, error = function(e) print(paste("Error:", e)))

CLI コマンドでは --verbose フラグを使って出力を記録します。認証に失敗した場合（例：$OPENCLAW_API_KEY が設定されていない場合）は、環境変数を正しく設定して再試行してください。

具体的な使用例

1. Pythonでのデータ加工：CSVファイルをクリーニングして分析するには、次のコマンドを実行します：openclaw execute --skill coding-data-science --lang python --code "import pandas as pd; df = pd.read_csv('data.csv'); df.dropna(inplace=True); print(df.head())"。このコマンド1つで、データを読み込み、クリーニングし、プレビューできます。
2. RでのMLモデル：単純な線形モデルをトレーニングするには、APIを使用します：POST /api/v1/execute に {"skill": "coding-data-science", "lang": "r", "code": "model <- lm(Sepal.Length ~ Sepal.Width, data=iris); summary(model)"} を送信します。これによりモデルが当てはめられ、要約統計量が出力されます。

グラフ上の関係

• 関連：coding-general（基本的なコーディング機能を共有）
• 依存：ml-frameworks（高度なML統合に使用）
• 接続：data-visualization（Python/R/Juliaの可視化ツールを介して接続）
• 重複：statistics-analysis（統計モデリングの一部が重複）