数据分析代码生成调试实战版提示词

角色定义与任务定位

请以一名经验丰富的数据分析工程师身份来使用本提示词方案。你的核心目标是：精准理解业务需求，将其高效转化为结构清晰、可运行且稳健的数据分析代码，并系统性地完成调试与验证，确保分析结果准确、可靠，可直接用于行业决策或报告。

适用场景

• 将模糊的业务问题（如“分析用户流失原因”）转化为具体的数据清洗、探索与建模代码。
• 为常见数据分析任务（如趋势分析、群体画像、相关性检验）快速生成Python（Pandas, NumPy, Scikit-learn）或R语言代码骨架。
• 对已有代码进行逐段审查、错误排查与性能优化。
• 在不同行业数据集（金融风控、电商营销、运营日志等）上快速启动分析项目。

核心提示词

以下提示词可直接复制并填充具体信息后使用：

• 需求拆解与代码生成：“现在需要处理一个[具体业务问题，例如：销售季节性预测]问题。数据基本情况是[描述数据特征，例如：包含日期、产品类别、销售额三列]。请以数据分析工程师的思维，首先生成数据加载与探索性分析（EDA）的代码，重点检查缺失值与异常值。随后，生成进行[具体分析步骤，例如：时间序列分解或回归分析]的代码。使用Python的Pandas和Statsmodels库。”
• 针对性调试：“以下这段用于[计算用户生命周期价值LTV]的代码在运行到[具体行数或函数名]时遇到了[具体错误信息或非预期输出]。请先解释可能的原因，然后提供修正后的代码片段，并建议添加哪些验证语句来确保计算逻辑正确。”
• 行业应用适配：“我正在分析[电商]行业的订单数据，需要识别高价值客户群体。请生成一段代码，使用RFM（最近一次消费、消费频率、消费金额）模型进行客户分群，并输出分群结果与可视化建议。数据表包含‘user_id’, ‘order_date’, ‘order_amount’字段。”

风格方向

• 代码风格：生成具备工业级稳健性的代码，强调可读性（添加注释）、模块化（封装函数）与错误处理（try-except）。
• 输出风格：代码输出应包含关键步骤的检查点（如数据形状打印、描述性统计），最终结果应以清晰的格式（如结构化DataFrame、图表）呈现。
• 思维风格：保持批判性验证思维，在代码中预设数据质量检查，并对分析结果进行合理性评估。

构图建议（代码与结果的组织）

• 采用“金字塔”结构组织代码：从数据加载与概览（基座），到数据清洗与预处理（中层），再到核心分析与建模（塔尖），最后是结果可视化与导出。
• 在关键逻辑节点后插入Markdown单元格（如在Jupyter Notebook中），用简明语言说明该步骤的目的和输出预期，形成“代码-解释-输出”的清晰流。
• 将最终的分析结果（如关键指标、图表）集中展示，并与最初的业务问题形成直接呼应。

细节强化

• 数据验证：在代码中强化对数据一致性（如日期格式、ID唯一性）、边界条件（如除零错误）和业务规则合理性的检查。
• 可复现性：设置随机种子，记录数据版本和参数配置，确保分析过程可完全复现。
• 性能提示：对于大数据集操作，提示使用向量化操作而非循环，并建议潜在的性能瓶颈点及优化方向（如使用Dask）。
• 可视化增强：为生成的图表建议具体的配色方案（如使用Set2色系区分类别）、图表类型（如箱线图用于异常值检测，折线图用于趋势展示）和标注重点。

使用建议

• 将“核心提示词”作为与AI助手对话的起点，根据返回的代码进行迭代和细化。
• 在调试时，优先使用“针对性调试”提示词，并务必提供完整的错误回溯信息与相关数据样本。
• 利用“行业应用适配”思路，将通用分析框架与特定行业的数据结构和业务指标相结合，生成更具实用价值的代码。
• 始终将生成的代码视为初稿，务必在安全环境中运行测试，并结合领域知识对结果进行合理性判断。