专业版算法训练数据集清洗方案提示词

角色定义与任务定位
请以数据科学家 / 机器学习工程师的身份，使用以下提示词来生成用于展示算法训练前数据清洗流程的视觉概念图或示意图。目标是让画面直观传达“从脏数据到干净数据”的处理逻辑，包括缺失值补全、异常值检测、重复去重、格式标准化等核心步骤，同时体现专业、高效、可落地的实战感。

适用场景

机器学习模型训练前的数据预处理方案展示
技术博客、白皮书中的数据集清洗流程配图
企业内部培训材料中关于数据治理的可视化素材
数据科学竞赛或项目汇报中的流程示意图
AI工具产品页面中“数据准备”板块的视觉表达


核心提示词（可直接复制使用）
主提示词（中英文混合推荐）：
“professional data cleaning pipeline for algorithm training, raw messy dataset on left side, clean structured dataset on right side, visual flow with steps: missing value imputation, outlier detection, duplicate removal, normalization, feature encoding. Modern data lab environment, sleek metallic surfaces, soft blue & teal accent lighting, sharp focus on data tables and filtering tools, 3D isometric perspective, technical blueprint style, high detail, ultra-realistic rendering, 8k resolution”
精简中文提示词：
“专业数据清洗流程图，左侧为杂乱原始数据（含空值、异常值、重复行），右侧为整齐干净数据集，中间流程节点：缺失值插补 → 异常值修正 → 去重 → 标准化 → 特征编码。科技实验室风格，半透明数据表格与过滤漏斗，冷色调蓝绿光效，等轴测视角，超高清细节”

风格方向

主风格：科技现代风 + 数据可视化美学
色彩方向：冷色调为主（深蓝、青灰、荧光绿点缀），数据表格用半透明渐变，突出干净与秩序感
材质细节：光滑金属面板、磨砂玻璃数据卡片、发光线条连接箭头
氛围描述：精准、理性、无冗余，仿佛从实验室显微镜下观察数据流


构图建议

左右对比式：画面左侧为混乱的原始数据（散点图、错乱表格），右侧为清洗后的规整数据（有序行列表、特征直方图），中间用箭头或管道连接清洗步骤
纵向瀑布流式：从上至下依次展示“脏数据 → 各清洗节点 → 干净数据”，每个节点用微缩图标或微型仪表盘呈现
中心放射式：中心放置“清洗引擎”（如齿轮 + 过滤图标），周围环绕输入输出与各清洗步骤的缩略卡片


细节强化

数据元素：在原始数据区域加入红色标记的缺失单元格、异常值散点、重复行高亮；在干净区域显示标准化的数值范围和完整表格
工具与符号：放大镜（检测异常）、漏斗（过滤）、齿轮（处理）、勾选图标（验证通过）
镜头语言：使用微距视角聚焦关键过滤节点，背景虚化，突出清洗前后的对比细节
文字标注：可在画面角落添加小型代码注释片段（例如 pd.dropna()、sklearn.preprocessing）增强专业感


使用建议

推荐工具：Midjourney v6 / DALL·E 3 / Stable Diffusion XL + 数据可视化 LoRA
参数参考：宽高比 16:9（合适作为幻灯片配图）或 3:2（适合文档插图）；配合 --ar 16:9 --style raw 或 --v 6 使用
组合调整：若需更抽象概念图，可将提示词中的“表格”替换为“数据节点网络图”；若需更写实效果，增加“photorealistic, studio lighting”等词
避免偏差：不要添加人物或无关背景元素，保持纯数据视觉