LeandroBenjaminL/lend-ai / skills/data-validation
data-validation
VerifiedValidación de esquemas y calidad de datos — pandera, great expectations, contratos de datos. Garantizá que los datos cumplen lo esperado. Trigger: Cuando necesitás validar esquemas de datos, garantizar calidad, o definir contratos de datos.
| File | Kind | Size |
|---|---|---|
| SKILL.md | skill md | 2.6 KB |
| references/docs.md | markdown | 208 B |
SKILL.md
View on GitHub---
name: data-validation
description: >
Validación de esquemas y calidad de datos — pandera, great expectations,
contratos de datos. Garantizá que los datos cumplen lo esperado.
Trigger: Cuando necesitás validar esquemas de datos, garantizar calidad, o definir contratos de datos.
license: MIT
metadata:
author: Leandro Benjamin L.
version: "3.0"
model_tier: T2-fast
---
# Skill: data-validation
Validación de datos. Si entra basura, sale basura — pero no si la frenás antes.
## Trigger
- Llegan datos de una fuente externa y necesitás verificar que estén bien
- Definiste un esquema y querés asegurarte de que se cumple
- Un pipeline de producción necesita garantías de calidad
- Querés documentar qué esperás de cada columna
## Workflow LEND
```
1. ANALIZAR
├── Origen: ¿API, CSV, DB, usuario? ¿confiable?
├── Tipo de validación: ¿esquema (tipos), rango (valores), integridad (unicidad)?
├── ¿Qué pasa si falla? ¿rechazar, alertar, imputar?
└── Frecuencia: ¿one-shot o pipeline recurrente?
2. OFRECER (Menú del Senior)
├── A) Pandera — esquemas en Python, integración con Pandas, lightweight
├── B) Great Expectations — suites de expectativas, documentación, UI
└── C) Manual + asserts — validación ad-hoc con condiciones if/assert
3. ELEGIR → confirmación
4. HACER
├── Pandera: definir DataFrameModel con tipos, rangos, nulos permitidos
├── Great Expectations: crear expectation suite con expect_column_values_to_be_between, etc.
├── Manual: asserts + logging con mensajes claros
├── Documentar qué campos son requeridos, opcionales, y sus constraints
└── Si falla: decidir comportamiento (detener pipeline, alertar, imputar)
5. VERIFICAR
├── El esquema pasa con datos válidos
├── El esquema falla con datos inválidos (probado)
└── El mensaje de error es claro sobre qué falló y dónde
```
## Patrones
- **Validar temprano**: en cuanto los datos entran al pipeline, no después de transformarlos
- **Contrato de datos**: documentar qué espera cada etapa del pipeline
- **Pandera para DataFrames**: validación tipada con integración Pandas nativa
- **Great Expectations para producción**: suites compartibles, data docs, alertas
## Anti-patrones
- ❌ Validar después de transformar — perdés la traza del error original
- ❌ Mensajes de error genéricos — "validation failed" no ayuda a nadie
- ❌ No documentar el esquema — "esto funciona" no es documentación
- ❌ Validar todo como required cuando hay campos opcionales
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| slack-gif-creatoranthropics/skillsKnowledge and utilities for creating animated GIFs optimized for Slack. Provides constraints, validation tools, and animation concepts. Use when users request animated GIFs for Slack like "make me a GIF of X doing Y for Slack." | Stars: 198k | Updated | Claude CodeCodex | Verified | Install |
| ponytailDietrichGebert/ponytailLazy senior dev mode for any coding task: the smallest change that fully solves it, and a reply a busy human understands in one read. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |
| ponytail-debtDietrichGebert/ponytailHarvest every shortcut: comment into one debt ledger, so deferrals get tracked instead of forgotten. One-shot report. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |
| ponytail-debtDietrichGebert/ponytailList every `shortcut:` comment (and older `ponytail:` ones) as a debt ledger. One-shot report, changes nothing. Use for "ponytail debt", "what did ponytail defer", "list the shortcuts", /ponytail-debt. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |