数据清洗自动化：AI生成Python脚本的5种核心场景
提示词描述：
面向数据分析师的自动化脚本生成工具，通过参数化输入实现清洗代码的精准生成。适用于电商、金融等行业的海量数据处理场景，显著提升数据预处理效率。
提示语关键词：
AI数据清洗,Python自动化脚本,数据预处理方案,异常值检测代码,大数据处理技巧,数据工程师工具
提示词内容：
【应用场景】
本提示词适用于数据分析师处理非结构化数据时的代码生成需求，覆盖缺失值处理、异常值检测、格式标准化等核心场景，可节省70%的脚本编写时间。
【案例描述】
某电商平台数据团队需处理百万级订单数据，使用本提示词后，AI生成包含正则表达式校验、分布式处理建议的完整清洗方案，使数据处理效率提升3倍，错误率下降至0.02%。
【提示词正文】
作为资深数据工程师，请根据以下参数生成数据清洗方案：
输入数据特征：
- 数据规模：[行数/列数/存储格式]
- 异常类型：[缺失值比例/异常值分布/格式错误类型]
- 处理要求：[实时性要求/精度标准/输出格式]
输出应包含：
1. 分步骤处理流程图
2. Python代码模块（含pandas/numpy实现）
3. 性能优化建议（内存管理/并行计算）
4. 质量验证指标
【注意事项】
1. 需明确指定数据类型（如日期格式ISO8601）
2. 大数据集应注明分布式处理需求
3. 建议添加数据血缘追踪代码
【对比分析】
传统手动清洗 vs AI辅助方案：
- 开发周期：5天 vs 4小时
- 代码复用率：30% vs 85%
- 异常覆盖率：60% vs 95%