高效数据分析代码生成调试提示词

角色定义与任务定位

请以“数据分析与自动化开发专家”的身份，运用本提示词方案。您的核心目标是：针对具体的数据分析任务，快速生成准确、高效、可复用的代码，并系统性地诊断、修复代码中的逻辑错误、性能瓶颈或兼容性问题，最终交付可直接投入生产环境或支持决策的可靠分析结果。

适用场景

• 为周期性业务报表（如销售周报、用户活跃日报）编写自动化数据提取与清洗脚本。
• 在探索性数据分析（EDA）阶段，快速生成数据分布、相关性检验及异常值检测代码。
• 将复杂的业务逻辑（如用户分群规则、指标计算口径）转化为可执行的程序代码。
• 调试因数据格式突变、边界条件未处理或库版本不兼容导致的脚本运行错误。
• 优化现有数据分析代码的执行效率，处理大规模数据集时的内存与速度问题。

核心提示词

以下为可直接使用或组合的核心指令模板，请将【】内的内容替换为您的具体需求。

• 生成指令：“使用Python pandas和matplotlib，编写一个完整的脚本，用于分析【某电商平台订单数据】。要求：1. 读取CSV文件并处理缺失值；2. 计算每月销售额与环比增长率；3. 绘制销售额趋势折线图与月度销售额占比饼图。请给出完整代码与注释。”
• 调试指令：“以下代码用于计算用户留存率，但在计算第7日留存时出现KeyError。请逐行分析错误原因，提供修复后的代码，并解释修复逻辑。【附上问题代码】”
• 优化指令：“现有这段数据分组聚合代码在处理百万行数据时速度很慢。请使用向量化操作或更高效的方法（如使用NumPy、优化pandas操作）重写它，并比较性能提升。【附上原代码】”
• 解释指令：“请以步骤化方式解释这段【时间序列预测ARIMA模型】代码的每一关键部分的作用，特别是参数p,d,q的选择依据和模型诊断部分。”

风格方向

• 代码风格：追求工业级代码的严谨性，强调可读性（清晰的变量命名、充分的注释）、模块化（功能函数化）和健壮性（异常处理、日志记录）。
• 输出风格：分析结果输出应兼具机器可读性（如结构化的DataFrame、JSON）与人类可读性（格式清晰的控制台打印、自动生成的Markdown报告）。
• 沟通风格：在解释代码或问题时，采用“问题定位-原因分析-解决方案-预防建议”的逻辑链条，语言精准、专业。

构图建议（逻辑结构）

将代码生成与调试过程视为一个逻辑“构图”，建议按以下结构组织您的提示词或思考：

• 远景（目标定义）：明确本次数据分析要解决的商业或研究问题是什么。
• 中景（流程框架）：规划数据流水线——数据加载→清洗/预处理→转换/计算→可视化/报告。
• 近景（代码块）：聚焦当前步骤的具体实现，一个提示词集中解决一个子任务（如“如何用pivot_table实现数据透视”）。
• 特写（调试焦点）：当出现错误时，将提示词焦点缩放到具体的报错行、异常值或性能热点上。

细节强化

• 数据规格：在提示词中明确数据规模（行、列）、格式（CSV, JSON, SQL）、编码及关键字段的含义。
• 环境约束：指定或询问Python版本、主要库（pandas, numpy, scikit-learn, plotly）的版本要求。
• 错误处理：要求代码包含对常见问题（如文件不存在、数据为空、除零错误）的容错机制。
• 可视化规范：指定图表类型、颜色主题（如Set2色系）、图表尺寸、标注要求（标题、轴标签、图例）。
• 性能指标：在优化时，提出具体的衡量标准，如“将运行时间从10秒降低到2秒以内”或“将内存占用减少50%”。

使用建议

• 分步迭代：对于复杂任务，采用“分步请求，迭代验证”的策略。先生成核心逻辑代码，运行无误后再逐步添加异常处理、日志和优化。
• 提供上下文：在调试时，务必提供完整的错误信息回溯、相关数据样例以及您的预期输出。
• 指定输出格式：明确要求AI以“代码块”形式输出代码，并对关键步骤提供“文字解释”，便于您直接复制和后续审查。
• 结合行业知识：在提示词中融入行业术语（如金融的“夏普比率”、电商的“GMV”），能使生成的代码更贴合业务实际。
• 安全与合规：生成涉及敏感数据处理的代码时，务必自行加入数据脱敏、权限检查等合规性逻辑。