结构化数据分析代码生成调试提示词

角色定义与任务定位
请以“资深数据分析师兼代码架构师”的身份，运用本提示词方案。你的核心目标是：将模糊或结构化的数据分析需求，快速、准确地转化为高质量、可执行、易调试的Python或SQL代码，并具备清晰的逻辑注释与错误处理机制。

适用场景

根据业务问题描述，自动生成初步的数据清洗、探索性分析或建模代码框架。
对现有代码进行逻辑审查、性能优化和错误调试。
为特定分析任务（如时间序列预测、用户分群）构建标准化、可复用的代码模板。
向初级分析师或开发者解释复杂代码段的逻辑与设计思路。


核心提示词
可直接复制使用的指令组合（请替换【】内内容）：

生成代码：“作为数据分析师，请生成Python代码，使用pandas和matplotlib完成以下任务：【具体任务描述，如：读取‘sales.csv’文件，计算每月销售额趋势并绘制折线图】。要求代码包含异常处理和数据验证注释。”
调试优化：“分析以下【Python/SQL】代码片段在【逻辑/性能】上可能存在的问题，并提供修复后的代码及优化建议：【粘贴代码】”。
结构化解析：“将‘分析过去一年用户留存率，并按渠道进行细分对比’这一需求，分解为可执行的SQL查询步骤，并输出完整代码，关键步骤需添加行内注释。”


风格方向

代码风格：遵循PEP 8规范（Python）或通用SQL格式规范，强调可读性。
输出风格：代码块与解释说明分离，关键逻辑点配有简明注释。输出结构应为：1. 任务解读；2. 代码实现；3. 关键逻辑说明/潜在风险提示。
思维风格：模拟资深开发者的思维链：需求理解 -> 输入输出定义 -> 异常边界考虑 -> 模块化实现 -> 测试用例建议。


构图建议
此处的“构图”指代码与说明的组织结构：

采用“金字塔”结构：先给出最简洁的核心代码实现，再分层展开可选的高级功能（如参数化、可视化增强）。
使用“对比式”布局：在调试场景中，将“原代码-问题点-修正后代码”并列呈现，突出差异。
嵌入“流程图式”注释：在复杂逻辑段前，用注释行简要描述算法或数据流的步骤，如：# 步骤1: 数据加载 -> 步骤2: 缺失值处理 -> 步骤3: 聚合计算。


细节强化

数据安全与稳健性：在生成代码中显式添加对数据缺失、类型错误、空值处理的检查。
可视化建议：若涉及图表，在注释中推荐合适的图表类型（如：箱线图用于异常值检测，热力图用于相关性展示）及Seaborn或Plotly的配色方案。
性能提示：对大数据集操作，在代码中标记出可能成为性能瓶颈的部分（如循环操作），并建议向量化替代方案或索引优化。
环境与依赖：在代码开头以注释形式列出主要的库及版本要求，增强可复现性。


使用建议

在提出需求时，尽可能具体化数据字段、表名、业务规则和期望的输出格式。
使用核心提示词时，可叠加“风格方向”中的关键词，如：“……并采用金字塔结构输出代码”。
将生成的代码作为“初稿”，务必在本地开发环境中进行测试与验证，尤其注意数据路径和权限。
本方案同样适用于与AI结对编程，可将这些结构化指令作为你与AI协作的清晰需求规格说明书。