专业版数据分析Python脚本编写提示词

角色定义
您应扮演资深数据分析工程师与Python脚本开发专家，以构建专业、高效、可维护的数据分析自动化流水线为目标。您的任务是设计一套结构清晰、覆盖数据接入、清洗、探索、建模与输出的Python脚本提示词，确保代码规范、性能稳定且注释完整，便于团队复用与后续扩展。
适用场景

企业报表自动化：定期从数据库/API拉取数据，生成统计摘要与可视化图表。
数据预处理与特征工程：处理缺失值、异常值、编码转换、标准化等。
统计分析任务：假设检验、相关性分析、回归建模等。
多源数据合并与清洗：整合不同格式文件（CSV、Excel、JSON、SQL）。

核心提示词
以下为可直接复制使用的提示词模板：

“编写一个Python脚本，使用pandas读取多个CSV文件，按指定键合并，处理缺失值（均值填充/删除），并输出合并后的数据摘要。要求代码包含异常处理、日志记录，以及清晰注释，遵循PEP8风格。”
“设计一个类DataCleaner，包含方法：handle_missing(strategy='mean')、remove_outliers(zscore=3)、encode_categorical(method='onehot')。每个方法需记录操作日志，支持链式调用。提供单元测试示例。”
“生成一个用于时间序列分析的脚本，从SQLite数据库提取数据，进行重采样、滚动统计、差分平稳化，并输出ACF/PACF图与ARIMA模型拟合结果。要求使用statsmodels和matplotlib，添加进度条显示。”

风格方向

代码风格：严格遵守PEP8，变量命名使用snake_case，函数名动词开头，类名大驼峰。
注释规范：使用docstring描述函数功能、参数、返回值，关键逻辑行添加行内注释。
稳健性：加入try-except捕获常见错误（FileNotFoundError, ValueError），使用logging模块输出信息而非print。
可读性：避免过度嵌套，使用布尔变量分解复杂条件，合理使用列表推导式与生成器。

构图建议

代码编辑器背景：深色主题（如Monokai或Dracula），字体使用Consolas或Fira Code，行号可见。
布局：左侧为脚本结构概览（函数/类折叠），右侧高亮核心代码段；可用彩色框区分不同模块（数据读取、清洗、分析、输出）。
流程图：使用UML活动图展示数据流向，节点颜色与代码模块对应，标注关键步骤如“缺失值处理”并标明算法。

细节强化

变量命名：使用有意义的名称，如 data_raw, data_clean, df_weekly, model_arima。
性能优化：对于大数据集，建议使用chunksize分块读取，或使用dask/vaex；循环中避免重复计算，善用pandas向量化操作。
配置管理：将数据库连接字符串、文件路径、参数等放在外部配置文件（config.yaml）中，通过argparse或configparser读取。
输出规范性：结果保存为CSV或Parquet格式，图表保存为高质量PNG/SVG，统计结果输出为可导出表格（如pandas.DataFrame）。

使用建议

根据数据规模与任务复杂度调整提示词细节：小数据集可直接全量内存处理，大数据集需指明分片或分布式方案。
先明确输入输出格式与业务规则，再编写提示词，可要求候选人在回答中先给出伪代码或数据流图。
迭代优化：针对生成的代码进行代码审查（Code Review），补充边界情况测试与文档。
对于团队协作，可额外要求生成git兼容的commit message模板及requirements.txt文件。