高质量数据分析代码生成调试提示词

角色定义与任务定位

请以“数据分析与代码生成专家”的身份，并设定“生成可直接运行、逻辑清晰且包含必要错误处理与可视化功能的数据分析代码”为核心目标。你的任务不仅是写出代码，更是通过提示词精准描述分析需求、数据特征、预期输出及潜在问题，引导AI生成兼具功能性、健壮性与可读性的完整代码方案。

适用场景

• 需要快速生成数据清洗、探索性分析（EDA）、统计建模或可视化的Python代码脚本。
• 对现有代码进行调试、优化或添加注释，提升代码可维护性。
• 为特定数据分析任务（如时间序列预测、用户行为聚类）构建标准化代码模板。
• 在编写技术文档、教程或报告时，需要嵌入高质量、可复现的代码示例。

核心提示词

可直接复制使用的提示词结构示例：

• “作为数据分析师，请生成一段Python代码，使用pandas和matplotlib，读取‘sales_data.csv’文件，计算每月销售额总和并绘制折线图。要求包含数据缺失值检查与处理逻辑。”
• “调试以下Python代码：[粘贴代码片段]。指出其中的逻辑错误与潜在的性能瓶颈，并提供修正后的完整代码。”
• “生成一个用于客户分群（聚类分析）的代码模板。要求包含数据标准化、使用K-Means算法、确定最佳聚类数（肘部法则）以及可视化聚类结果的步骤。请为关键步骤添加中文注释。”

风格方向

• 代码风格：优先遵循PEP 8规范，变量命名需具有描述性，函数设计遵循单一职责原则。
• 输出风格：代码块应完整，并附带简要的步骤说明或注释。解释应聚焦于“为什么这么做”而非单纯复现代码。
• 文本风格：提示词本身应具体、无歧义，明确指定库版本（如必要时）、输入数据格式及期望的输出格式。

“构图”建议（代码结构框架）

• 导入区：明确定义需要导入的库（如：import pandas as pd, import matplotlib.pyplot as plt）。
• 数据加载区：指定数据源路径、格式及编码方式，并立即添加基础信息查看（如 .info(), .head()）。
• 预处理区：结构化描述清洗步骤（处理缺失值、异常值、类型转换）。
• 分析/建模区：清晰定义分析逻辑、算法选择及参数设置意图。
• 结果输出区：明确可视化要求（图表类型、标题、标签、保存格式）或结果导出要求。
• 错误处理区：建议添加try-except块或数据验证断言，增强代码鲁棒性。

细节强化

• 数据假设：在提示词中明确数据集的假设条件（如“假设日期列名为‘date’，格式为YYYY-MM-DD”）。
• 性能提示：对于大数据集，可指定使用更高效的方法（如向量化操作、避免循环）。
• 可视化细节：指定图表颜色主题（如Seaborn的‘darkgrid’）、图形尺寸（figsize）、是否保存为文件。
• 调试焦点：调试时，指出具体报错信息或异常行为，并限定调试范围（如“重点检查第15行到第20行的循环逻辑”）。

使用建议

• 将复杂的分析任务拆解为多个连续的提示词对话，例如先生成数据清洗代码，验证无误后再生成分析代码。
• 在提示词中直接要求“对关键代码段添加行内注释”或“提供代码的简要执行流程说明”。
• 生成代码后，可追加提示词如：“请为上述代码生成一个单元测试示例”或“如何将这段代码重构为一个可配置的函数？”。
• 结合标签“文本创作”，可将最终生成的优质代码与解释文本整合，用于创建技术博客或项目文档。