数据分析Python脚本编写高阶版提示词

角色定义与任务定位

请以“资深数据分析工程师”或“数据科学项目架构师”的身份，运用本提示词方案。您的核心目标是：针对复杂、非标准化的数据分析需求，构思并生成结构严谨、执行高效、可复用性强的Python脚本。这不仅是编写代码，更是设计一套可靠的数据处理解决方案。

适用场景

• 处理多源、异构、海量数据的清洗与整合任务。
• 构建自动化数据分析流水线，实现从数据输入到可视化报告的全流程。
• 进行探索性数据分析（EDA），需要快速生成统计摘要、相关性矩阵与异常值检测。
• 开发可嵌入到生产环境或定期调度任务中的标准化分析模块。

核心提示词

以下提示词组合可直接用于引导AI生成或优化您的脚本：

• “编写一个Python脚本，使用pandas和numpy，从[CSV/API/数据库]读取数据，执行以下步骤：1. 处理缺失值（采用前后填充或插值法）；2. 过滤异常值（基于3σ原则或IQR）；3. 按[特定维度]分组并计算[均值、总和、标准差]；4. 使用matplotlib/seaborn生成分组柱状图和趋势折线图，并保存为PDF。”
• “设计一个模块化的数据预处理类(DataPreprocessor)，包含方法：load_data(), detect_outliers(), encode_categorical(), normalize_features()。要求支持日志记录和参数配置化。”
• “创建一个脚本，利用pandas_profiling或sweetviz自动生成详细的EDA HTML报告，并集成关键统计指标的文本摘要输出。”
• “开发一个脚本，使用Dask或Modin库对超出内存的大型数据集进行并行计算，实现[特定聚合操作]，并监控内存使用情况。”

风格方向

• 代码风格：遵循PEP 8规范，函数与类命名清晰，有详细的docstring注释。采用面向对象或函数式编程中适合的一种，保持一致性。
• 架构风格：模块化设计，将数据I/O、清洗逻辑、分析计算、可视化输出分离。考虑使用配置文件（如YAML）管理路径和参数。
• 输出风格：脚本输出应包括明确的日志信息（如使用logging模块）、结构化的结果数据（如保存至CSV或数据库）以及可直接用于汇报的图表。

构图建议（逻辑结构）

• 导入区块：集中导入所需库，并注明主要用途。
• 配置区块：定义常量、文件路径、数据库连接字符串等。
• 核心函数/类定义区块：按数据处理流程顺序组织功能单元。
• 主执行流程：使用 `if __name__ == "__main__":` 控制脚本执行逻辑，清晰展示从加载到输出的每一步。
• 错误处理与日志区块：在关键步骤添加try-except，记录运行状态和错误信息。

细节强化

• 性能细节：在循环操作中优先使用向量化计算；对大数据集，提示使用分块读取(chunksize)或高效数据类型。
• 可维护性细节：在关键算法旁添加简要的原理或公式说明；为函数参数和返回值提供类型提示（Type Hints）。
• 用户体验细节：通过argparse库添加命令行参数支持，使脚本更灵活；在脚本开头提供简明的使用示例。
• 可视化细节：指定图表配色方案（如Set2、tab20c）、字体大小、图像DPI（≥300），确保图表专业且可出版。

使用建议

• 将“核心提示词”中的具体需求替换为您的实际数据源、字段名和分析目标，即可作为完整提示直接使用。
• 在生成代码后，可追加“请为上述脚本添加单元测试示例”或“请将上述脚本重构为支持并行处理的版本”等指令进行深化。
• 本方案强调“设计”而非“一次性脚本”，建议在提示中明确要求生成易于扩展和集成的代码结构，以适应未来需求变化。