DalyKit
Data Analysis Kit
반복되는 분석 코드는 DalyKit에게. 당신은 인사이트에만 집중하세요.
Claude Code 플러그인으로 데이터 분석 워크플로우를 가속합니다.
English | 한국어
Table of Contents
What is DalyKit?
데이터 분석은 반복적입니다. 매번 같은 EDA 코드를 쓰고, 같은 전처리 패턴을 적용하고, 같은 방식으로 모델을 돌립니다.
DalyKit은 이 반복을 없앱니다.
명령어 하나로 분석 코드를 생성하고, 실행 결과를 보고서로 정리하고, 모델 튜닝 루프를 자동으로 돌립니다. 분석가는 데이터와 인사이트에만 집중할 수 있습니다.
핵심 특징
- 단계별 워크플로우 — init → eda → clean → stat → feature → ml 전 파이프라인을 스킬 하나씩으로 실행
- kit 기반 사이클 관리 — 각 분석 시도가
kits/k1/, kits/k2/처럼 독립 폴더로 관리되어 이전 시도와 섞이지 않음
- 토큰 효율 설계 — 1,000행 이상 데이터는
.py 스크립트로 분리 실행, 대화 컨텍스트 오염 방지
- 표준화된 결과물 — 모든 산출물이
dalykit/ 폴더에 일관된 구조로 저장
Installation
필요 조건 Claude Code
/plugin marketplace add taehyunan-99/DalyKit
/plugin install dalykit@taehyunan
설치 후 dalykit:init으로 시작하세요.
Quick Start
# 1. 프로젝트 초기화
dalykit:init
# 2. dalykit/data/raw/ 폴더에 CSV 파일 배치
# 3. 다음 단계 확인
dalykit:next
이후에는 dalykit:next가 다음 할 일을 1단계씩 안내합니다.
Workflow
dalykit:init
│
├── dalykit:next 현재 상태 기반 다음 단계 자동 추천
│
├── dalykit:domain 도메인 정보 정의 (선택)
│
├── dalykit:eda 탐색적 데이터 분석
│
├── dalykit:clean 데이터 전처리
│
├── dalykit:stat 통계 분석 · 가설 검정
│
├── dalykit:feature 피처 엔지니어링
│
└── dalykit:ml 모델 학습 · 자동 튜닝
각 스킬은 독립적으로 호출 가능합니다. 순서대로 전체 파이프라인을 실행하거나, 필요한 단계만 단독으로 사용할 수 있습니다.
Project Structure
dalykit:init 실행 후 생성되는 폴더 구조입니다.
dalykit/
├── config/
│ ├── domain.md
│ ├── requirements.txt
│ ├── active.json ← 현재 활성 kit 포인터
│ └── progress.md
├── data/
│ └── raw/ ← 원본 CSV
└── kits/
└── k1/
├── manifest.json
├── eda/
├── clean/
├── stat/
├── feature/
└── model/
각 stage 내부에는 다음 산출물이 들어갑니다.
eda/: eda_analysis.ipynb, eda_results.json, eda_report.md, figures/clean/: clean_pipeline.ipynb, clean_results.json, clean_report.md, cleaned.csv, figures/stat/: stat_analysis.py, stat_analysis.ipynb, stat_results.json, stat_report.md, figures/feature/: feature_pipeline.ipynb, feature_results.json, feature_select.py, feature_select_results.json, selected_features.txt, feature_report.md, featured.csv, figures/model/: model_train.py, model_results.json, model_report.md, models/, figures/
Tech Stack
| 용도 | 라이브러리 |
|---|
| 데이터 처리 | pandas 2.x, numpy 2.x |
| 시각화 | matplotlib 3.x, seaborn 0.13.x |
| 통계 분석 | scipy 1.x, statsmodels 0.14.x, scikit-posthocs 0.x |
| 머신러닝 | scikit-learn 1.x, xgboost 3.x, lightgbm 4.x, catboost 1.x, joblib 1.x |
| 모델 해석 | shap (선택 설치) |
Skills
