ldotjdot/python

Python Skill

当没有更合适的专用工具（如特定 API、数据库工具等）时，可以用 Python 脚本 在本地完成复杂的数据处理、格式转换、批量生成等任务。

四步闭环（提高脚本质量与成功率）

与 coding 一致：识别分析问题 → 规划路径 → 编写执行 → 检查验证。

1. 识别分析问题 — 明确输入/输出格式、数据规模、边界情况与错误信息（若有）。
2. 规划路径 — 确定脚本放在 script/任务名/、需要哪些文件/参数、是否要虚拟环境或依赖。
3. 代码编写 — 先读已有类似脚本或数据样例，再写 main.py；保持结构清晰、可读。
4. 检查验证 — 逻辑与异常处理自查；输出量大或敏感时，提示用户本地运行并查看结果，不代为执行。

目录约定

• 工作区脚本根目录：script
• 每个临时任务：在 script 下新建一个 独立子文件夹，用有意义的名称（如时间戳或任务名），例如：
  • script/20260305-data-clean/
  • script/json-to-csv-converter/
• 该任务相关的所有 Python 文件 都放在这个子文件夹中，避免不同任务的脚本混在一起。

常用 Python 命令（PowerShell）

• 运行脚本（推荐使用工作区 Python）：
  • python .\script\子文件夹\main.py
• 指定脚本参数：
  • python .\script\子文件夹\main.py --input data.json --output result.csv
• 创建虚拟环境（如有需要）：
  • python -m venv .venv
  • .\.venv\Scripts\Activate.ps1
• 安装依赖（在已激活的虚拟环境中）：
  • pip install requests pandas

注意：命令在 PowerShell 中执行，含空格路径时要用引号，例如：python ".\script\my-task\main.py"。

使用原则

1. 优先选择 Python：当内置工具或现有 Skill 无法方便完成任务时（例如复杂数据处理、文件批量重构、生成测试数据等），优先考虑编写 Python 脚本。
2. 保持脚本可重用：尽量把一次性的脚本写得清晰、模块化，方便后续复用或改造。
3. 不负责最终运行结果展示：如果输出量很大或涉及真实业务数据，可以提示用户在本地手动运行脚本并查看结果。

典型流程

1. 在 script 下为当前任务新建目录，例如 script/20260305-clean-logs/。
2. 在该目录下创建 main.py 及必要的辅助模块。
3. 在代码中实现读取输入文件、处理逻辑、输出结果等功能。
4. 根据需要提示用户在 PowerShell 中执行类似命令：
   • python .\script\20260305-clean-logs\main.py --input ".\logs\raw.log" --output ".\logs\clean.log"