Analýza dat obyčejnou řečí: trvalý skill nad DuckDB

datum;kategorie;castka
2026-01-05;Nájem;-12500,00
2026-01-07;Potraviny;-842,50
2026-01-09;Potraviny;-1230,00
2026-02-01;Mzda;48000,00

Nainstaluj mi DuckDB CLI (jen pokud ho ještě nemám; je zdarma,
návod na duckdb.org) a vytvoř trvalý, opakovaně použitelný skill,
kterým budu nad libovolným datovým souborem dělat analýzy tak,
že ti obyčejnou řečí řeknu, co chci.

Skill ať dodržuje tohle:
- Počítá se přes DuckDB CLI (příkaz duckdb), který čte CSV, Excel,
  Parquet, JSON i gzip přímo ze souboru, bez zakládání databáze.
  SQL syntaxi ber z dokumentace:
  duckdb.org/docs/current/sql/introduction.
- Než napíšeš dotaz, prohlédni si soubor: schéma a statistiky přes
  SUMMARIZE FROM 'soubor', prvních pár řádků přes FROM 'soubor'
  LIMIT 5. Nehádej názvy ani typy sloupců, a když je cokoli
  nejasného, zeptej se uživatele.
- U každé odpovědi ukaž SQL dotaz, kterým výsledek vznikl,
  a počet řádků, které do něj vstoupily.
- Data neupravuj a nepřepisuj. Když je potřeba něco vyřadit nebo
  opravit, udělej to v dotazu a napiš, co a proč jsi vyřadil.
- Skill ulož tak, aby se načítal sám, kdykoli budu mluvit
  o analýze datového souboru — nemusím ho vyvolávat ručně.

Až to bude hotové, ukaž mi, kam jsi skill uložil a co v něm stojí.

Budeme analyzovat soubor [název souboru].

Zatím nic nepočítej. Prohlédni si ho a napiš mi:
1. Kolik má řádků a sloupců.
2. U každého sloupce: jak se jmenuje, jaký typ se načetl, kolik
   má prázdných hodnot a kolik různých hodnot obsahuje.
3. Které sloupce se podle tebe načetly ve špatném typu (typicky
   číslo nebo datum přečtené jako text) a jak by se to opravilo.
4. Co je v těchto datech jedno pozorování — co znamená jeden řádek.
5. Na co se mě potřebuješ zeptat, než začneme počítat. Nešetři:
   radši se zeptej na pět věcí, než abys jednu odhadl.

Budeme analyzovat soubor [název souboru].

Udělej mi přehled po [měsících] podle opakovaných kategorií.
To, co se pravidelně neopakuje, zařaď do skupiny Ostatní.
Za opakovanou považuj kategorii, která se objeví aspoň
[ve třech obdobích] a tvoří aspoň [1 %] celku.

Výstup: tabulka období krát kategorie, v buňkách [součet částky]
a v závorce počet záznamů, plus součty za kategorii i za období.

Pod přehledem vypiš všechny anomálie porušující typické vzorce:
- kategorie, která se objevila poprvé nebo naopak zmizela,
- hodnota odchýlená od obvyklé úrovně dané kategorie
  o víc než [dvojnásobek],
- období, ve kterém chybí kategorie, jež jinak bývá vždy.

U každé anomálie napiš, o který konkrétní řádek jde.
Nevysvětluj příčiny, jen ukaž, co je nezvyklé.

Porovnej v souboru [název] období [A] proti období [B].

Chci tabulku: [kategorie], hodnota v období A, hodnota v období B,
absolutní rozdíl, procentní změna a PŘÍSPĚVEK k celkové změně
v procentních bodech. Seřaď podle příspěvku, největší nahoře.

Pak zvlášť rozlož celkovou změnu na dvě složky: změnu počtu
záznamů a změnu průměrné hodnoty záznamu.

Nakonec vypiš kategorie, které jsou jen v jednom z období.

Období definuj podle sloupce [datum] a napiš mi, kolik dní každé
z nich obsahuje — když se liší, upozorni na to.

V souboru [název] chci najít nepořádek. Nic neopravuj, jen vypiš.

1. Úplné duplicity: řádky shodné ve všech sloupcích, s třemi příklady.
2. Duplicity podle klíče [sloupec nebo kombinace sloupců]: záznamy
   se stejným klíčem, ale odlišné v ostatních sloupcích.
3. Textové hodnoty, které jsou nejspíš totéž psané jinak: liší se
   jen velikostí písmen, mezerami na konci, diakritikou nebo
   překlepem. Ukaž je ve dvojicích s četností obou variant.
4. Hodnoty mimo očekávaný rozsah: záporná čísla tam, kde nedávají
   smysl, data v budoucnosti, nulové částky.
5. Sloupce, kde chybí víc než [5 %] hodnot.

U každého bodu napiš počet zasažených řádků a podíl z celku.

V souboru [název] mě zajímá rozložení podle [sloupec, např.
zákazník / produkt / pobočka].

1. Seřaď segmenty podle [součtu hodnoty] a ukaž top 20:
   segment, hodnota, podíl na celku, kumulativní podíl.
2. Napiš, kolik segmentů dělá 50 % a kolik 80 % celku.
3. U každého segmentu z top 20 přidej počet záznamů a MEDIÁN
   hodnoty záznamu, ne průměr.
4. Zvlášť ukaž segmenty s jediným záznamem — kolik jich je
   a jaký podíl celku tvoří dohromady.

Přidej řádek „zbytek" se souhrnem ostatních segmentů,
ať tabulka sedí na celek.

Mám dva soubory: [soubor A] a [soubor B].
Chci je propojit přes [společný sloupec].

Nejdřív mi bez počítání napiš:
- kolik unikátních hodnot klíče je v každém souboru,
- kolik hodnot z A nemá protějšek v B a naopak — u obou ukaž
  pět příkladů,
- jestli je vztah 1:1, nebo se některý klíč v jednom ze souborů
  opakuje (a kolikrát nejvíc).

Teprve pak je spoj tak, aby se ze souboru A neztratil ani jeden
řádek, a doplň z B sloupce [výčet].
Po spojení mi napiš, kolik má výsledek řádků, a porovnej to
s počtem řádků v A. Když se čísla liší, vysvětli proč.

V souboru [název] chci ověřit, jestli jsou data úplná.

1. Nejstarší a nejnovější [datum] v souboru.
2. Časovou řadu počtu záznamů po [dnech / týdnech / měsících] —
   vypiš ji celou, ať vidím díry.
3. Období, ve kterých není ani jeden záznam, i když sousední
   období záznamy mají. Vypiš je jako konkrétní rozsahy.
4. Období, kde je počet záznamů výrazně nižší nebo vyšší než
   obvykle (odchylka od mediánu o víc než [50 %]).
5. Jestli se v čase mění složení dat: kategorie objevující se jen
   v části období, nebo sloupec, který je od určitého data
   prázdný. Napiš i to, kdy přesně ke změně došlo.

Ukaž mi dotaz, kterým vzniklo číslo [konkrétní hodnota], a rozeber
mi ho po částech běžnou češtinou — u každé části napiš, jaké
rozhodnutí o mých datech v sobě skrývá.

Pak zvlášť vypiš:
- které řádky dotaz vyřadil a kolik jich bylo,
- co se stane s řádky, kde je [sloupec] prázdný,
- kde by dotaz mohl vrátit špatné číslo, aniž by spadl.

Nakonec napiš jednu alternativu: jak by šlo totéž spočítat jinak
a proč by výsledek mohl vyjít jinak.

U poslední analýzy mi udělej bilanci řádků:
- kolik řádků měl zdrojový soubor,
- kolik jich postupně ubylo v každém kroku a z jakého důvodu,
- kolik jich vstoupilo do finálního výsledku,
- kontrola: sedí součet vyřazených a započítaných na celek?

U každého kroku, který vyřadil víc než [2 %] řádků, ukaž pět
konkrétních vyřazených řádků, ať vidím, o co jsem přišel.

Pokud nějaké řádky vypadly nechtěně, napiš to natvrdo místo
toho, abys to vysvětloval.