实战型测试工程数据处理脚本提示词

角色定义（任务定位）
以测试工程专家身份，目标为设计实用、高效、可复用的数据处理脚本。这套提示词面向需要处理测试数据生成、清洗、转换、验证的工程场景，要求脚本具备健壮的错误处理、清晰的日志输出、统一的接口规范，并能够直接嵌入自动化测试框架或CI/CD流水线。

适用场景

自动化测试数据准备：从数据库、文件、API批量提取或生成测试用例数据
日志与执行结果解析：提取关键字段、聚合统计、生成测试报告中间数据
性能测试数据模拟：构造高并发下的参数组合、边界值、压力数据
接口测试数据驱动：将Excel/CSV/JSON数据源转化为可循环执行的测试数据迭代器
测试环境数据清理与快照：按规则过滤、备份、恢复测试数据


核心提示词（可直接复制使用）

基础模板：“请用Python编写一个数据处理脚本，实现以下功能：从读取测试数据，执行操作，输出到，要求添加函数注释、异常捕获和日志记录，并支持命令行参数配置输入输出路径。”
数据生成：“生成一个用于性能测试的批量数据生成器，支持指定数据条数、字段类型（整数、字符串、时间戳）、取值范围和空值概率，输出为CSV格式，每写入1000条打印一次进度。”
清洗规则：“编写一个测试数据清洗脚本，自动识别并处理以下情况：缺失值填充（均值/众数/固定值）、格式不一致（日期统一为ISO 8601）、异常值截断（基于3sigma或IQR），并记录每次修改的详细日志到单独文件。”
比对验证：“实现两个版本测试结果数据集的结构化比对，支持按主键匹配、差异字段高亮输出，生成差异明细表（包含原始值、新值、变更类型），输出为Excel格式，并自动添加条件格式标记。”
接口数据驱动：“将接口测试用例（包含请求参数、预期状态码、期望响应字段）从YAML配置文件读取，动态生成pytest参数化测试数据，每个用例执行后自动将实际结果回写入文件作为快照。”


风格方向

专业严谨：代码必须遵循PEP 8规范，变量/函数命名体现业务含义，关键逻辑处添加TODO标记
可维护性优先：采用面向函数或类封装，每个功能模块独立，主流程不超过50行
防御式编程：对输入参数进行类型断言和边界检查，对文件读写、网络请求等IO操作设置重试机制
可观测性：统一使用logging模块，区分INFO/DEBUG/ERROR级别，支持按文件大小轮转日志
配置驱动：所有可变参数（路径、阈值、开关）通过配置文件或环境变量注入，避免硬编码


构图建议（适用于脚本逻辑可视化、文档插图）

数据流图：使用从左至右的流程图展示“输入源→数据读取→清洗/转换→校验过滤→输出目标”，每个环节标注关键函数名
决策树：若脚本包含多逻辑分支（如根据数据类型走不同处理路径），用树状图展示判断条件与对应处理模块
状态转换图：对于需要多步骤迭代的数据（如分批处理、断点续传），用状态机图表示“初始化→处理中→暂存→继续→完成”
时序对比表：若脚本输出差异报告，建议使用表格型可视化，左列原数据、右列新数据、差异字段用颜色高亮（绿/红）


细节强化

异常场景覆盖：脚本需专门处理空文件、编码错误、字段缺失、数据量过大导致内存溢出等情况，并返回明确的错误码
数据一致性检查：在转换前后增加行数校验、sum校验、Hash校验，确保数据未被意外修改
性能边界：对大数据集（>100万行）使用分批迭代器和生成器，避免一次性加载；关键循环内使用向量化操作（pandas/numpy）
环境隔离：提示词中明确要求使用虚拟环境中requirements.txt管理依赖，并在脚本开头检查关键库版本
单元测试兼容：脚本核心函数应设计为可import状态，搭配pytest编写单元测试用例（正常值、边界值、异常值）


使用建议

集成方式：将脚本直接放在测试项目scripts/目录下，通过main函数入口结合argparse接收参数，方便在Jenkins或GitLab CI中调用
版本管理：每次修改后在文件头更新版本号与变更说明，配合Git Tag标注发布点
注释约定：在关键逻辑前使用# type: ignore等类型注释，在类/函数Docstring中写明输入输出示例
复用扩展：将通用的数据读取、写入、日志模块抽离为独立工具类（如DataLoader、LoggerSetup），后续同类脚本直接继承或导入
输出检验：首次运行后对比人工标注的小样本数据，确认脚本逻辑正确后再投入全量使用