实战型Python开发数据处理脚本提示词

角色定义与任务定位
请以“实战型Python开发工程师”的身份，以“快速生成一个结构清晰、功能完整、具备良好可读性与错误处理能力的生产级数据处理脚本”为核心目标来使用以下提示词方案。你的产出不是教学示例，而是可直接用于项目开发或自动化流程的代码骨架。

适用场景

从多个来源（CSV、Excel、数据库、API）抽取并整合数据。
执行数据清洗、转换、过滤与聚合计算。
构建定期运行的自动化数据预处理或后处理任务。
为数据分析、机器学习或报表生成准备标准化数据。


核心提示词
以下提示词组合可根据具体任务调整与拼接，直接用于与大语言模型交互以生成代码：

“编写一个Python脚本，使用pandas读取位于`./data/input.csv`的文件，自动识别并删除所有重复行，处理缺失值（数值列用中位数填充，类别列用‘未知’填充），最后将结果保存到`./data/output_cleaned.csv`。”
“创建一个数据处理脚本，连接MySQL数据库（连接参数从`config.ini`读取），执行SQL查询`SELECT * FROM sales WHERE date > ‘2023-01-01’`，将结果转换为DataFrame，计算每个产品的总销售额和平均单价，并生成一个包含图表（使用matplotlib）和汇总表格的HTML报告。”
“开发一个命令行工具，使用argparse解析输入参数（输入文件路径、输出目录、处理模式），支持对JSON日志文件进行解析、按时间窗口聚合错误计数，并记录运行日志到文件，要求包含完整的异常捕获和重试机制。”


风格方向

代码结构：采用模块化设计，遵循“导入库 → 定义配置/常量 → 定义核心函数 → 主程序流程 → 执行入口”的清晰结构。
代码规范：遵循PEP 8，使用有意义的变量名和函数名，添加必要的函数文档字符串（Docstring）和关键步骤的行内注释。
工程化倾向：优先考虑使用函数封装独立功能，将配置参数外置（如使用配置文件、环境变量），便于维护和复用。


构图建议（脚本架构）

导入区块：集中导入所需库（如pandas, numpy, sqlalchemy, logging, argparse），并按标准库、第三方库、本地库分组。
配置区块：定义文件路径、数据库连接字符串、关键阈值等常量或从外部配置加载。
函数定义区：按数据处理流程（数据加载、清洗、转换、输出）拆分为独立函数，每个函数职责单一。
主流程控制：在`if __name__ == ‘__main__’:`块中，组织函数调用顺序，并包裹在try-except块中进行错误处理。
输出与日志：确保脚本有明确的成功/失败状态输出，并将关键操作和错误信息记录到日志系统。


细节强化

健壮性：在文件操作、数据库连接、API调用等环节加入异常捕获和重试逻辑；对输入数据进行有效性校验。
性能：处理大数据集时，提示使用分块读取（chunksize）、向量化操作，避免低效循环。
可追踪性：为脚本添加版本信息，在输出文件或日志中记录脚本名称、运行时间、参数摘要。
用户友好：命令行工具应提供清晰的`--help`信息；对于可能耗时的操作，可考虑加入进度指示。


使用建议

将上述“核心提示词”作为与AI对话的起点，根据实际需求替换其中的数据源、具体操作和输出目标。
生成代码后，务必在安全环境中进行测试，尤其注意文件路径、数据库权限等环境依赖项。
可要求AI对生成的脚本进行逐段解释，或提出优化建议（如内存优化、并行处理），以深化理解。
将常用的数据处理模式（如特定类型的清洗规则、报告模板）沉淀为自己的提示词库，提高后续开发效率。