高质量数据分析代码调试优化提示词

角色定义与任务定位

请以“数据科学可视化架构师”的身份，并围绕“生成用于技术沟通、代码审查或项目文档的高质量、高清晰度数据分析与代码优化过程可视化图表”这一核心目标，来使用以下提示词方案。你的产出应兼具技术准确性与视觉表现力，能清晰传达数据处理逻辑、代码性能瓶颈及优化后的效果对比。

适用场景

• 为技术博客或文档生成解释算法步骤、数据流水线的示意图。
• 为代码审查会议创建可视化图表，突出显示性能瓶颈与优化点。
• 为项目汇报或学术海报制作数据预处理、模型训练过程的流程与结果对比图。
• 设计用于团队内部知识分享的、关于特定数据处理技巧或调试方法的说明图。

核心提示词

• 基础组合：A clear infographic illustrating the data analysis pipeline: data ingestion -> cleaning (handling missing values, outliers) -> transformation -> visualization -> insights, with code snippets (Python/R) overlayed on each step, flat vector style.
• 调试优化焦点：Before-and-after comparison visualization of code optimization: left side shows inefficient loops with red highlighting and high CPU/memory usage graphs; right side shows vectorized/pandas optimized code with green highlighting and improved performance metrics, isometric 3D style.
• 数据处理细节：Detailed technical diagram of a data cleaning process: raw messy data table connected via arrows to functions like ‘drop_duplicates()’, ‘fillna()’, ‘scale()’, resulting in a clean structured dataset, with a color-coded legend for different operations, blueprint aesthetic.

风格方向

• 扁平化矢量信息图：色彩明快、区块清晰，适合展示流程和结构。
• 等距3D技术风：增加深度感和科技感，适合展示系统架构和前后对比。
• 蓝图/草图风格：带有网格、测量标记和手绘线条感，突出技术设计和方案规划。
• 简约单色线稿：聚焦于逻辑关系本身，避免色彩干扰，适合嵌入正式文档。

构图建议

• 采用“从左到右”或“自上而下”的线性布局来展示数据处理或代码执行的时间顺序。
• 使用“分屏对比”构图来并置优化前后的代码段、性能指标（如执行时间柱状图、内存占用曲线）。
• 将核心代码片段以高亮框的形式叠加在相关的数据图形（如数据流、图表）之上，建立直观联系。
• 利用箭头、连线、编号来明确步骤之间的逻辑流向与依赖关系。

细节强化

• 色彩编码：为不同类型的数据（原始数据、清洗后数据、结果数据）或操作（读取、转换、输出）分配固定色系。
• 指标可视化：将抽象的“性能提升50%”转化为并排的、高度对比的柱状图或下降明显的折线图。
• 代码高亮：在可视化的代码框中，使用语法高亮，并用醒目的颜色（如红色/黄色）标注出关键行、低效循环或优化后的函数。
• 材质与氛围：在3D风格中，为不同的“数据模块”赋予轻微的玻璃、金属或发光材质，营造数字科技感。可添加极简的网格背景或低饱和度的渐变背景提升专业度。

使用建议

• 在生成前，将具体的技术栈（如Python pandas, Spark, SQL）和关键函数名替换到核心提示词中，以获得更精确的结果。
• 若需强调“调试”过程，可在提示词中加入“debugging session”, “step-by-step tracing”, “error flagging”等词，并描述错误标识（如红色叉号、警告符号）的出现位置。
• 对于复杂流程，建议分阶段生成：先生成整体架构图，再针对关键子模块（如“数据清洗”、“特征工程”）生成细节放大图。
• 在最终提示词中，明确指定输出比例（如16:9用于演示，4:3用于文档），以确保构图完整。