实战型测试工程数据集清洗方案提示词

角色定义与任务定位
请以“数据可视化架构师”兼“测试流程专家”的身份进行创作。您的核心目标是：生成一套高度结构化、信息层级分明、且极具实用指导意义的“数据集清洗方案”视觉图表。该图表需服务于测试工程团队，能直观展示从原始数据到高质量测试数据集的完整清洗流程、关键决策点与技术要点，而非简单的概念说明。
适用场景

测试团队内部的数据预处理流程培训与知识沉淀。
测试方案文档中，用于阐释数据准备阶段的视觉化补充。
向项目管理者或非技术成员汇报测试数据质量保障措施。
作为自动化测试脚本中数据清洗模块的设计思路导图。

核心提示词
可直接组合使用的提示词序列：

infographic flowchart of a robust data cleaning pipeline for testing engineering datasets
steps: raw data ingestion, duplicate detection, outlier handling with statistical bounds, null value imputation strategies, format standardization, consistency validation
visual elements: data bins, funnel filters, magnifying glass on anomalies, checkmarks and warning signs, before-and-after data table comparison
style: clean corporate blue and gray color scheme, isometric or flat design, with clear connectors and minimal text labels

风格方向

视觉风格：现代极简的信息图（Infographic）或等距立体（Isometric）流程图。避免卡通化，追求专业、冷静的科技感。
色彩控制：主色调采用蓝色系（象征可靠、科技），搭配中性灰与白色作为背景。使用警示性的橙色或红色高亮标注“异常数据”、“清洗失败”等关键节点，使用绿色表示“通过验证”、“清洗完成”。
版面构图：从左到右或自上而下的线性流程布局，确保视觉动线清晰。关键步骤使用图标（Icon）加简短术语的形式呈现。

构图建议

采用“漏斗”或“流水线”作为整体隐喻构图，象征数据从杂乱到纯净的筛选过程。
将“原始数据源”描绘为多个不同形状/颜色的数据块涌入管道入口。
每个清洗步骤（如去重、处理缺失值）设计为一个独立的“处理箱”或“过滤站”，箱体上可带有代表该操作的小图标。
用清晰的箭头或管道连接各步骤，箭头旁可附加简短的决策逻辑，如“IF NULL THEN mean”。
在流程旁侧，开辟“案例区”对比展示某个数据记录在清洗前与清洗后的具体变化。

细节强化

数据形态：用不同几何图形（立方体、球体、文档图标）代表不同类型数据（数值型、类别型、文本日志）。
异常可视化：离群点可用偏离主要集群的闪烁点或“刺状”图形表示；缺失值可用透明或网格填充的方块表示。
技术标注：在关键步骤旁，以非侵入性的小字标注可能采用的技术或工具，例如：“(使用Pandas drop_duplicates)”、“(应用IQR准则)”。
质量指标：在流程最终输出端，展示如“数据完整性：99.8%”、“一致性：100%”等虚拟的质量指标仪表盘。

使用建议

生成图像时，将“核心提示词”部分作为主体描述，并根据需要从“风格方向”和“细节强化”中选取关键词进行追加，以控制输出效果。
若需强调某一环节，可在提示词中增加权重，例如“highlighting outlier handling with bright red color”。
本方案生成的图表可作为母版，通过替换具体步骤名称和图标，快速适配于不同的测试数据清洗场景（如API响应数据清洗、UI测试截图数据清洗等）。
建议最终产出为高清分辨率，以便嵌入文档或演示文稿中。