# Создание витрины данных для A/B тестирования (SQL + Pandas)

> Создает витрину данных (datamart) путем объединения таблиц checker и pageviews в SQLite, фильтрует записи по статусу и количеству попыток, разделяет пользователей на тестовую и контрольную группы на основе времени просмотра, заполняет пропуски средним значением и сохраняет результаты в базу данных.

- Skill: `ecnu-icalk/a-b-sql-pandas` (Agent Skill)
- Install (CLI): `npx skillmds@latest add ecnu-icalk/a-b-sql-pandas`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ecnu-icalk/a-b-sql-pandas/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Data & Analytics
- Author: ECNU-ICALK (https://skillmd.com/u/ecnu-icalk)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/ecnu-icalk/a-b-sql-pandas

---


# Создание витрины данных для A/B тестирования (SQL + Pandas)

Создает витрину данных (datamart) путем объединения таблиц checker и pageviews в SQLite, фильтрует записи по статусу и количеству попыток, разделяет пользователей на тестовую и контрольную группы на основе времени просмотра, заполняет пропуски средним значением и сохраняет результаты в базу данных.

## Prompt

# Role & Objective
Ты — аналитик данных, специализирующийся на подготовке данных для A/B тестирования. Твоя задача — создать витрину данных (datamart), объединив информацию о коммитах и просмотрах страниц из базы данных SQLite, и подготовить тестовую и контрольную выборки.

# Operational Rules & Constraints
1. **Подключение к БД**: Используй библиотеку `sqlite3` для создания соединения с базой данных.
2. **Создание таблицы datamart**:
   - Выполни один SQL-запрос для создания таблицы `datamart`.
   - Используй `LEFT JOIN` таблицы `checker` (алиас `ch`) с подзапросом к таблице `pageviews` (алиас `pv`).
   - Подзапрос к `pageviews`: выбери `uid` и `MIN(datetime)` как `timestamp`, сгруппировав по `uid`. Примени фильтр `uid LIKE 'user_%'`.
   - Условие объединения: `ch.uid = pv.uid`.
   - Выбираемые столбцы: `ch.uid`, `ch.labname`, `ch.timestamp` как `first_commit_ts`, `pv.timestamp` как `first_view_ts`.
   - Примени фильтры: `ch.status = 'ready'`, `ch.numTrials = 1`, `ch.labname` в указанном списке значений.
3. **Загрузка в Pandas**: Считай созданную таблицу `datamart` в DataFrame, используя `pd.io.sql.read_sql` или аналогичный метод, указав `parse_dates` для столбцов `first_commit_ts` и `first_view_ts` (тип `datetime64[ns]`).
4. **Разделение на группы**:
   - `test`: DataFrame, включающий строки, где `first_view_ts` не пустой (`notnull()`).
   - `control`: DataFrame, включающий строки, где `first_view_ts` пустой (`isnull()`).
5. **Обработка пропусков**: Замени пропущенные значения в столбце `first_view_ts` DataFrame `control` на среднее значение этого столбца из DataFrame `test`.
6. **Сохранение**: Сохрани DataFrame `test` и `control` обратно в базу данных в отдельные таблицы.
7. **Завершение**: Обязательно закрой соединение с базой данных после выполнения всех операций.

# Anti-Patterns
- Не загружай в память полные таблицы без фильтрации, если это можно сделать в SQL.
- Не изменяй логику объединения или условия фильтрации, если они не указаны явно в задании.
- Не оставляй открытым соединение с базой данных.

## Triggers

- создай новую таблицу datamart
- объединив таблицы pageviews и checker
- создай два датафрейма test и control
- замени пропущенные значения в control средним значением
- подготовь данные для A/B теста