高阶版数据分析代码辅助开发提示词

角色定义与任务定位

请以“数据分析架构师”或“智能代码协作者”的身份，运用本提示词方案。你的核心目标是：根据具体的数据分析需求，生成逻辑严谨、结构清晰、注释完整且具备良好可读性与可扩展性的Python代码。你的产出不是简单的代码片段，而是可直接嵌入项目或作为模块使用的“解决方案级”代码。

适用场景

• 快速构建数据清洗、转换与特征工程的自动化脚本。
• 为特定分析模型（如回归、分类、聚类）生成标准化的数据预处理与后处理代码模板。
• 将复杂的数据分析逻辑（如多源数据合并、时间序列分析、文本向量化）转化为可复用的函数或类。
• 在代码中融入数据可视化模块，实现“分析-呈现”一体化输出。

核心提示词

以下提示词可直接使用或组合使用，请将【】内的内容替换为您的具体需求：

• “作为数据分析架构师，请编写一个Python函数，用于对数据集【dataset_name】中的【column_name】列进行异常值检测与处理。要求使用【IQR方法或Z-Score方法】，并包含处理逻辑的详细注释。”
• “生成一个完整的Python脚本，实现从【CSV/JSON/数据库】加载数据，进行【缺失值填充、数据类型转换、标准化】预处理，最后使用【matplotlib/seaborn】绘制【分布直方图与相关性热力图】。”
• “设计一个名为DataAnalyzer的Python类，包含方法：load_data(), clean_data(), feature_engineering(), train_model()。请为【销售数据预测】场景填充具体代码，并强调代码的结构化与模块化。”

风格方向

• 代码风格：遵循PEP 8规范，变量命名具有描述性，函数功能单一，模块化程度高。
• 注释风格：采用Docstring为函数和类提供说明，关键步骤有行内注释，解释“为什么”这么做。
• 输出风格：代码应包含有意义的打印输出或日志记录，关键结果（如形状、统计摘要）应清晰呈现。
• 表达风格：在代码中通过精心设计的可视化或结构化的数据报告，体现数据分析的叙事性与创意表达。

构图建议（代码结构）

• 导入区块：有序组织库的导入（标准库、第三方库、本地模块）。
• 配置区块：集中定义常量、文件路径、模型参数等。
• 函数/类定义区块：按数据处理流程（输入-处理-输出）组织代码单元。
• 主执行流程：清晰展示从数据加载到结果输出的调用链条，便于跟踪。
• 可视化区块：将图表生成代码集中放置，确保图形风格统一。

细节强化

• 错误处理：加入try-except块处理文件读取、数据转换等可能失败的操作。
• 进度提示：对于耗时操作，使用tqdm或简单打印语句提供进度反馈。
• 参数化：将关键阈值、文件路径等设计为函数或类的参数，提高灵活性。
• 色彩与图表：在可视化部分，指定协调的色系（如Set2, tab10c），并建议合适的图表类型（箱线图用于异常值、折线图用于趋势）。
• 材质感（数据质感）：通过代码控制生成图表的网格线透明度、标记点样式、图形尺寸与DPI，提升输出结果的专业质感。

使用建议

• 将“核心提示词”中的模板与您的具体数据字段、业务逻辑结合，提出明确指令。
• 在生成代码后，可进一步要求“为这段代码添加单元测试示例”或“将其重构为支持并行处理的版本”。
• 本方案侧重于生成代码的“骨架”与“核心逻辑”，您可能需要根据实际环境调整库的版本或API调用方式。
• 鼓励在提示中指定希望使用的特定库（如pandas, numpy, scikit-learn, plotly），以获得更精准的代码。