Skip to content

LeandroBenjaminL/lend-ai / skills/file-formats

file-formats

Verified

Lectura y escritura multi-formato con Pandas — CSV, Excel, Parquet, JSON, Feather. Elegí el formato correcto para cada caso. Trigger: Cuando necesitás leer o guardar datos en distintos formatos, convertir entre formatos, o elegir el formato correcto para tu caso.

Skill: file-formats

Multi-formato. Cada formato tiene un propósito — elegí bien.

Trigger

  • Te pasaron datos en un formato que no conocés
  • Necesitás convertir entre formatos
  • Querés elegir el formato óptimo para velocidad, tamaño o compatibilidad
  • Un CSV de 5GB no entra en memoria y necesitás alternativas

Workflow LEND

1. ANALIZAR
   ├── Origen: ¿qué formato tenés? ¿es tabular, anidado, texto?
   ├── Destino: ¿quién va a usar estos datos? ¿qué formato necesita?
   ├── Volumen: ¿KB, MB, GB? define la urgencia de optimizar
   └── Presupuesto: tiempo de carga vs espacio en disco

2. OFRECER (Menú del Senior)
   ├── A) CSV — universal, cualquiera lo abre. Lento y grande.
   ├── B) Parquet — rápido, comprimido, con schema. Ideal para pipelines.
   └── C) Feather — rapidísimo (C++ en backend). Para datos intermedios.

3. ELEGIR → confirmación

4. HACER
   ├── CSV: pd.read_csv('archivo.csv', parse_dates=['fecha'], dtype={'col': 'int32'})
   ├── Parquet: pd.read_parquet('archivo.parquet') / df.to_parquet('archivo.parquet')
   ├── Feather: pd.read_feather('archivo.feather') / df.to_feather('archivo.feather')
   ├── Excel: pd.read_excel('archivo.xlsx', sheet_name='Sheet1')
   ├── JSON: pd.read_json('archivo.json') / json_normalize para anidados
   └── Conversión entre formatos con Pandas (read → to)

5. VERIFICAR
   ├── Los datos se leen sin errores
   ├── Los tipos se infirieron correctamente
   └── El tamaño del archivo es razonable para el formato elegido

Patrones

  • CSV para compartir: cualquiera lo abre, pero no tiene schema y es lento
  • Parquet para pipelines: comprimido, con schema, columnar. Lectura rápida de subsets.
  • Feather para datos intermedios: más rápido que Parquet, pero solo para Pandas/R
  • Optimizar tipos: dtype={'col': 'int32'} en read_csv reduce memoria ~50%
  • JSON para APIs: Pandas json_normalize para datos anidados

Anti-patrones

  • ❌ CSV para datos grandes — 5GB de CSV es invivible. Usá Parquet.
  • ❌ Excel para automatización — es lento, frágil, no scalable
  • ❌ No especificar tipos al leer CSV — Pandas infiere, pero a veces se equivoca
  • ❌ JSON anidado sin json_normalize — te perdés en diccionarios anidados
deprecation-and-migrationaddyosmani/agent-skillsManages deprecation and migration. Use when removing old systems, APIs, or features. Use when migrating users from one implementation to another. Use when migrating a database schema in production, such as renaming or dropping a column without downtime (expand/contract). Use when deciding whether to maintain or sunset existing code.Stars: 119kUpdated Claude CodeCodexVerifiedInstall
performance-optimizationaddyosmani/agent-skillsOptimizes application performance across frontend, backend, queries, and databases. Use when performance requirements exist, when you suspect performance regressions, when Core Web Vitals or load times need improvement, when N+1 query patterns need fixing, or when profiling reveals bottlenecks.Stars: 119kUpdated Claude CodeCodexVerifiedInstall
Agent Cost Reportthedotmack/claude-memBelievable agent cost report for any period, default the last 7 full days PT, not counting today. Measured tokens from Claude Code transcripts priced at OpenRouter list prices (ESTIMATED), measured provider spend when a sanctioned source exists, note-taker cost separate, Timing-style HTML/PDF plus report.json, line-items.csv, evidence.json.Stars: 118kUpdated Claude CodeCodexVerifiedInstall
Agent Cost Reportthedotmack/claude-memBelievable agent cost report for any period, default the last 7 full days PT, not counting today. Measured tokens from Claude Code transcripts priced at OpenRouter list prices (ESTIMATED), measured provider spend when a sanctioned source exists, note-taker cost separate, Timing-style HTML/PDF plus report.json, line-items.csv, evidence.json.Stars: 118kUpdated Claude CodeCodexVerifiedInstall