AI的提示词专栏：Prompt 与 Python Pandas 的结合使用指南

AI的提示词专栏：Prompt 与 Python Pandas 的结合使用指南

该指南聚焦 Prompt 与 Pandas 结合的实践应用，先阐述二者结合的价值 —— 降低 Pandas 学习门槛、提升数据处理效率，接着梳理代码生成、解释、优化等 6 大核心应用场景及对应 Prompt 目标。随后详解高质量 Prompt 设计的五大原则，强调需精准描述数据结构、明确操作目标等要点。通过 5 个实战案例，从基础数据清洗到批量生成报表，展示 Prompt 设计、模型输出与结果验证全流程，并给出 8 个高频问题的解决方案。最后总结核心价值，提供扩展学习建议，助力读者掌握 “自然语言驱动数据处理” 能力，形成高效工作流。

人工智能专栏介绍

    人工智能学习合集专栏是 AI 学习者的实用工具。它像一个全面的 AI 知识库，把提示词设计、AI 创作、智能绘图等多个细分领域的知识整合起来。无论你是刚接触 AI 的新手，还是有一定基础想提升的人，都能在这里找到合适的内容。从最基础的工具操作方法，到背后深层的技术原理，专栏都有讲解，还搭配了实例教程和实战案例。这些内容能帮助学习者一步步搭建完整的 AI 知识体系，让大家快速从入门进步到精通，更好地应对学习和工作中遇到的 AI 相关问题。

    这个系列专栏能教会人们很多实用的 AI 技能。在提示词方面，能让人学会设计精准的提示词，用不同行业的模板高效和 AI 沟通。写作上，掌握从选题到成稿的全流程技巧，用 AI 辅助写出高质量文本。编程时，借助 AI 完成代码编写、调试等工作，提升开发速度。绘图领域，学会用 AI 生成符合需求的设计图和图表。此外，还能了解主流 AI 工具的用法，学会搭建简单智能体，掌握大模型的部署和应用开发等技能，覆盖多个场景，满足不同学习者的需求。

1️⃣ ⚡ 点击进入 AI 的提示词专栏，专栏拆解提示词底层逻辑，从明确指令到场景化描述，教你精准传递需求。还附带包含各行业适配模板：医疗问诊话术、电商文案指令等，附优化技巧，让 AI 输出更贴合预期，提升工作效率。

2️⃣ ⚡ 点击进入 AI 灵感写作专栏，AI 灵感写作专栏，从选题到成稿，全流程解析 AI 写作技巧。涵盖论文框架搭建、小说情节生成等，教你用提示词引导 AI 输出内容，再进行人工润色。附不同文体案例，助你解决写作卡壳，产出高质量文本。

3️⃣ ⚡ 点击进入 AI 辅助编程专栏，AI 辅助编程专栏，通过实例教你用 AI 写代码：从功能描述到调试优化。涵盖前端、后端、数据库等，语言包括HTML5、VUE、Python、Java、C# 等语言，含算法实现、Bug 修复技巧，帮开发者减少重复劳动，专注核心逻辑，提升开发速度。

4️⃣ ⚡ 点击进入 AI 精准绘图专栏，AI 精准绘图，聚焦 AI 绘图在设计场景的落地。详解如何描述风格、元素、用途，生成 logo、商标等。含 Midjourney 等工具参数设置，及修改迭代方法，帮设计新手快速出图，满足商业与个人需求。

5️⃣ ⚡ 点击进入 AI 绘制图表专栏，AI 绘制图表专栏，教你用 AI 工具将数据转化为直观图表。涵盖曲线图数据输入、流程图逻辑梳理等，附 Excel 联动、格式美化技巧，适合学生、职场人快速制作专业图表，提升数据展示效果。

6️⃣ ⚡ 点击进入 AI 的工具集专栏，AI 的工具集专栏，盘点主流 AI 工具：ChatGPT、DeepSeek、 Claude、Gemini、Copilot 等。解析各工具优势，附使用场景与技巧，帮你根据需求选工具，快速上手提升效率，覆盖办公、创作、开发等场景。

7️⃣ ⚡ 点击进入 AI 的智能体专栏，AI 的智能体专栏，解析智能体自主运行原理，包括任务拆解、环境交互等。教你用大模型搭建简单智能体，附多智能体协作案例，适合想探索 AI 自主系统的开发者入门。

8️⃣ ⚡ 点击进入 AI 的大模型专栏，AI 的大模型专栏，详解大模型部署步骤，从本地搭建到云端部署。含 API 调用教程、应用开发案例，教你将大模型集成到项目，掌握企业级 AI 应用开发技能，应对实际业务需求。

一、章节引言：为什么要将 Prompt 与 Pandas 结合？

在数据处理领域，Python Pandas 库凭借其强大的数据结构（如 DataFrame）和丰富的函数，成为数据分析师、数据科学家的必备工具。然而，即使是熟练的使用者，在面对复杂数据需求时，也可能需要花费大量时间查阅文档、调试代码——比如复杂的多表合并逻辑、自定义数据清洗规则、动态生成统计指标等。

而 Prompt（提示词）的出现，为 Pandas 使用提供了“智能辅助”能力：通过精准的自然语言描述，让大语言模型（如 ChatGPT、Claude）生成符合需求的 Pandas 代码、解释代码逻辑、优化低效语句，甚至排查代码报错。这种结合不仅能降低 Pandas 的学习门槛（尤其对初学者），还能提升资深使用者的工作效率，让数据处理从“手动编码”向“需求驱动+智能生成”转变。

本章将从基础到进阶，系统讲解 Prompt 与 Pandas 结合的核心场景、设计技巧、实战案例，帮助读者掌握“用自然语言驱动数据处理”的能力。

二、基础认知：Prompt 辅助 Pandas 的核心场景

在开始设计 Prompt 前，首先需要明确：哪些 Pandas 操作适合用 Prompt 辅助？不同场景下，Prompt 的侧重点有何不同？下表梳理了 6 个核心应用场景及对应的 Prompt 目标：

三、核心技巧：设计高质量 Pandas 辅助 Prompt 的 5 个原则

要让大语言模型精准理解 Pandas 需求并输出有效结果，Prompt 设计需遵循“精准、完整、具体、结构化、场景化”五大原则。每个原则对应明确的操作方法和案例，避免模型因信息模糊而生成无用代码。

原则 1：精准描述数据结构——让模型“知道数据长什么样”

模型无法直接查看你的数据集，因此 Prompt 中必须包含数据结构信息（如列名、数据类型、样本数据），否则生成的代码可能因“列名不匹配”“数据类型错误”而无法运行。

错误示例（信息缺失）：

帮我写一段 Pandas 代码，计算每个用户的平均消费金额。 

→ 问题：模型不知道“用户列名”（是 user_id 还是 用户名？）、“消费金额列名”（是 amount 还是 消费额？），生成的代码大概率需要修改。

正确示例（信息完整）：

我有一个 CSV 数据集，路径为 ./sales_data.csv，数据结构如下： - 列名1：user_id（数据类型：字符串，用户唯一标识） - 列名2：order_date（数据类型：字符串，格式为"2024-05-01"，订单日期） - 列名3：amount（数据类型：浮点数，订单金额，单位：元） - 列名4：product_category（数据类型：字符串，商品类别，如"家电""服装"） 请写一段 Pandas 代码，读取该 CSV 文件，计算每个 user_id 的平均 amount（命名为 avg_consume），并将结果按 avg_consume 降序排序，最后保存为 ./user_avg_consume.csv。 

→ 优势：模型明确知道数据的列名、类型、路径，生成的代码可直接运行，无需二次修改。

原则 2：明确操作目标与输出格式——让模型“知道要做什么、输出什么”

除了数据结构，还需清晰说明**“要完成的具体操作”** 和**“最终输出的格式/位置”**，避免模型生成“半成品”代码。

示例（含操作目标与输出格式）：

我有一个 Pandas DataFrame 名为 df，结构如下： - 列名：date（日期，datetime 类型，格式"2024-01-01"）、region（地区，如"华北""华东"）、sales（销售额，整数） 请写一段 Pandas 代码，完成以下操作： 1. 筛选出 2024 年 3 月（date 介于 2024-03-01 至 2024-03-31）的所有数据； 2. 按 region 分组，计算每组的 sales 总和（命名为 total_sales）、销售记录数（命名为 order_count）； 3. 将分组结果转换为新的 DataFrame，列名依次为 region、total_sales、order_count； 4. 给新 DataFrame 添加一列"avg_order_value"，计算方式为 total_sales / order_count（保留 2 位小数）； 5. 将最终结果保存为 Excel 文件，路径为 ./202403_region_sales.xlsx，sheet 名为"地区销售统计"。 

→ 优势：步骤清晰、目标明确，模型生成的代码会严格覆盖所有操作，无需使用者补充逻辑。

原则 3：结合场景补充业务规则——让模型“理解为什么这么做”

当操作涉及业务逻辑（如“异常值定义”“指标计算规则”）时，必须在 Prompt 中补充业务背景，否则模型可能按默认逻辑处理，不符合实际需求。

示例（含业务规则）：

我是电商平台的数据分析师，有一个用户购买行为 DataFrame df，结构如下： - user_id：用户ID（字符串） - login_time：登录时间（datetime 类型） - purchase_time：购买时间（datetime 类型，若未购买则为 NaT） - purchase_amount：购买金额（浮点数，未购买则为 NaN） 业务规则： 1. "活跃用户"定义：login_time 在 2024-05-01 至 2024-05-31 期间，且至少登录 2 次的用户； 2. "购买转化率"计算：活跃用户中，purchase_time 不为 NaT 的用户数 / 活跃用户总数（保留 4 位小数，转换为百分比格式，如"25.36%"）； 3. "客单价"计算：活跃用户的 purchase_amount 总和 / 活跃用户中购买用户数（保留 2 位小数）。 请写一段 Pandas 代码： 1. 筛选出 2024 年 5 月的活跃用户（按业务规则 1）； 2. 计算 5 月的购买转化率和客单价（按业务规则 2、3）； 3. 用 print 语句输出结果，格式为："2024年5月活跃用户数：X人，购买转化率：Y，客单价：Z元"。 

→ 优势：模型理解“活跃用户”“转化率”的业务定义，生成的指标计算逻辑完全符合实际业务需求，避免数据偏差。

原则 4：针对复杂需求拆分步骤——让模型“逐步解决问题”

对于多步骤、逻辑复杂的需求（如多表合并+条件筛选+自定义函数应用），直接写“一句话需求”容易导致模型遗漏步骤。此时应在 Prompt 中拆分操作步骤，引导模型逐步处理。

示例（拆分复杂需求）：

我有两个 Pandas DataFrame，分别为 df_orders（订单数据）和 df_users（用户数据），结构如下： df_orders： - order_id（订单ID，字符串） - user_id（用户ID，字符串） - order_date（订单日期，datetime 类型） - product_id（商品ID，字符串） - quantity（购买数量，整数） - unit_price（单价，浮点数） df_users： - user_id（用户ID，字符串） - user_level（用户等级，字符串，值为"普通""会员""VIP"） - register_date（注册日期，datetime 类型） 需求：计算 2024 年 4 月各用户等级的“总销售额”和“平均订单金额”，步骤如下： 1. 先给 df_orders 添加一列"total_price"，计算方式为 quantity * unit_price； 2. 筛选 df_orders 中 order_date 在 2024-04-01 至 2024-04-30 期间的订单； 3. 将筛选后的 df_orders 与 df_users 按 user_id 进行内连接（inner join），保留所有列； 4. 按 user_level 分组，计算每组的 total_price 总和（命名为 total_sales）、订单数（命名为 order_count）； 5. 计算每组的平均订单金额（命名为 avg_order_price），公式为 total_sales / order_count（保留 2 位小数）； 6. 最终结果按 total_sales 降序排序，保存为 CSV 文件 ./202404_user_level_sales.csv。 请写一段 Pandas 代码，严格按上述步骤执行，并在代码中添加注释说明每个步骤。 

→ 优势：复杂需求拆分为可执行的小步骤，模型不易遗漏逻辑，且代码会包含注释，便于使用者理解和调试。

原则 5：报错排查需提供“代码+报错信息”——让模型“精准定位问题”

当遇到 Pandas 代码报错时，Prompt 必须包含完整的代码片段和报错信息（含Traceback），否则模型无法判断报错原因（如“KeyError”可能是列名错误，也可能是索引问题）。

示例（报错排查）：

我运行以下 Pandas 代码时出现报错，请帮我分析原因并修改代码： 【代码片段】 import pandas as pd # 读取数据 df = pd.read_csv("./user_purchase.csv") # 按用户等级分组计算平均消费 df_grouped = df.groupby("user_level")["consume_amount"].mean() # 筛选平均消费大于 1000 的用户等级 result = df_grouped[df_grouped > 1000] # 输出结果 print(result) 【报错信息】 KeyError: 'user_level' Traceback (most recent call last): File "C:\Users\Test\data_analysis.py", line 8, in <module> df_grouped = df.groupby("user_level")["consume_amount"].mean() File "D:\Anaconda3\lib\site-packages\pandas\core\frame.py", line 8402, in groupby return DataFrameGroupBy( File "D:\Anaconda3\lib\site-packages\pandas\core\groupby\groupby.py", line 935, in __init__ obj._get_axis(axis), File "D:\Anaconda3\lib\site-packages\pandas\core\generic.py", line 550, in _get_axis return getattr(self, f"_{name}") File "D:\Anaconda3\lib\site-packages\pandas\core\generic.py", line 591, in __getattr__ return object.__getattribute__(self, name) AttributeError: 'DataFrame' object has no attribute '_user_level' 请分析：1. 报错的根本原因；2. 修改后的完整代码；3. 预防此类错误的建议。 

→ 优势：模型可通过“KeyError: ‘user_level’”和代码中的 groupby("user_level")，快速判断“数据集不存在 user_level 列”，进而给出修改方案（如检查列名、添加列名修正代码）。

四、实战案例：不同场景下的 Prompt 与 Pandas 结合示例

本节通过 5 个高频实战案例，展示 Prompt 设计、模型输出、结果验证的完整流程，覆盖“代码生成、代码优化、报错排查、需求转化、批量自动化”五大场景，读者可直接复用 Prompt 模板。

案例 1：基础数据清洗——代码生成场景

需求背景：

有一份电商订单 CSV 数据（./orders.csv），存在“缺失值”“异常值”“日期格式不统一”问题，需要用 Pandas 清洗数据。

Prompt 设计：

我有一份电商订单 CSV 数据，路径为 ./orders.csv，数据结构如下： - 列名1：order_id（订单ID，字符串，无缺失） - 列名2：order_date（订单日期，字符串，格式有"2024/5/1"和"2024-05-01"两种，无缺失） - 列名3：user_id（用户ID，字符串，约 5% 为缺失值 NaN） - 列名4：amount（订单金额，浮点数，存在缺失值 NaN，且有异常值（如负数、超过 100000 的值）） - 列名5：payment_method（支付方式，字符串，值为"微信""支付宝""银联"，无缺失） 请写一段 Pandas 代码，完成以下数据清洗操作： 1. 读取 CSV 文件，查看前 5 行数据和数据基本信息（用 info() 和 describe()）； 2. 处理 order_date 列：将所有日期统一转换为 datetime 类型（格式为"YYYY-MM-DD"）； 3. 处理 user_id 列：缺失值用"未知用户"填充； 4. 处理 amount 列： a. 缺失值用该列的中位数填充（保留 2 位小数）； b. 删除 amount < 0 或 amount > 100000 的异常订单（整行删除）； 5. 清洗完成后，查看清洗后的数据基本信息（info()、describe()），确认无异常； 6. 将清洗后的数据保存为 ./cleaned_orders.csv，不保留索引列。 要求：1. 代码中添加详细注释；2. 说明每一步清洗的目的；3. 若涉及计算（如中位数），需动态获取（不写死数值）。 

模型输出（ChatGPT 4 为例）：

import pandas as pd import numpy as np # 步骤1：读取数据并查看基础信息# 目的：了解原始数据的结构、数据类型、缺失值情况，为后续清洗做准备 df = pd.read_csv("./orders.csv")print("=== 原始数据前5行 ===")print(df.head())print("\n=== 原始数据基本信息 ===")print(df.info())print("\n=== 原始数据统计描述 ===")print(df.describe())# 步骤2：统一 order_date 列的日期格式为 datetime 类型# 目的：标准化日期格式，便于后续按日期筛选、分组等操作# pd.to_datetime 可自动识别多种日期格式，errors="coerce"确保异常格式转为NaT（此处需求无缺失，暂用） df["order_date"]= pd.to_datetime(df["order_date"],format=None, errors="coerce")# 格式化为"YYYY-MM-DD"字符串（若需保留datetime类型，可跳过此步，直接用datetime类型后续操作） df["order_date"]= df["order_date"].dt.strftime("%Y-%m-%d")print("\n=== order_date 列格式转换后前5行 ===")print(df[["order_id","order_date"]].head())# 步骤3：填充 user_id 列的缺失值# 目的：避免缺失值影响后续用户相关的分组统计（如按user_id计算消费总额） df["user_id"]= df["user_id"].fillna("未知用户")print("\n=== user_id 列缺失值填充后，缺失值数量 ===")print(df["user_id"].isnull().sum())# 验证填充效果，应为0# 步骤4：处理 amount 列的缺失值和异常值# 4.1 用中位数填充缺失值（中位数比均值更抗异常值影响，适合金额类数据） amount_median =round(df["amount"].median(),2)# 计算中位数并保留2位小数 df["amount"]= df["amount"].fillna(amount_median)print(f"\n=== amount 列缺失值用中位数（{amount_median}）填充后，缺失值数量 ===")print(df["amount"].isnull().sum())# 验证填充效果，应为0# 4.2 删除 amount 异常值（<0 或 >100000）# 先查看异常值数量，了解数据质量 abnormal_count =len(df[(df["amount"]<0)|(df["amount"]>100000)])print(f"\n=== 待删除的 amount 异常值数量 ===")print(abnormal_count)# 删除异常值行 df_cleaned = df[(df["amount"]>=0)&(df["amount"]<=100000)]print(f"\n=== 清洗前数据行数：{len(df)}，清洗后数据行数：{len(df_cleaned)} ===")print(f"=== 删除的异常行数量：{len(df)-len(df_cleaned)} ===")# 步骤5：查看清洗后数据的基本信息，验证清洗效果print("\n=== 清洗后数据基本信息 ===")print(df_cleaned.info())print("\n=== 清洗后数据统计描述 ===")print(df_cleaned.describe())# 步骤6：保存清洗后的数据，不保留索引列 df_cleaned.to_csv("./cleaned_orders.csv", index=False)print("\n=== 数据清洗完成，已保存至 ./cleaned_orders.csv ===")

结果验证：

1. 运行代码后，查看 ./cleaned_orders.csv，确认：
   • order_date 格式统一为“YYYY-MM-DD”；
   • user_id 无 NaN，缺失值变为“未知用户”；
   • amount 无 NaN，无负数和超过 100000 的值；
2. 代码中的 print 语句可验证每一步效果（如缺失值数量、异常值数量），便于调试。

案例 2：大规模数据处理——代码优化场景

需求背景：

现有一份 500 万行的用户行为日志 DataFrame（df_logs），需按“用户ID+日期”分组计算访问次数，但当前代码用 for 循环实现，运行耗时超过 10 分钟，需用 Prompt 优化。

Prompt 设计：

我有一份 500 万行的用户行为日志 Pandas DataFrame（df_logs），结构如下： - user_id：用户ID（字符串，约 100 万个唯一值） - log_time：行为时间（datetime 类型，格式"2024-05-01 14:30:00"） - action_type：行为类型（字符串，如"访问""点击""购买"） 当前代码用 for 循环计算“每个用户每天的访问次数”，代码如下： ```python import pandas as pd import time # 假设 df_logs 已读取（500万行） start_time = time.time() # 提取日期列 df_logs["date"] = df_logs["log_time"].dt.date # 初始化结果字典 result_dict = {} # 循环遍历每一行，统计访问次数 for _, row in df_logs.iterrows(): user = row["user_id"] date = row["date"] action = row["action_type"] if action == "访问": key = (user, date) if key in result_dict: result_dict[key] += 1 else: result_dict[key] = 1 # 转换为 DataFrame df_result = pd.DataFrame(list(result_dict.items()), columns=["user_date", "visit_count"]) df_result[["user_id", "date"]] = pd.DataFrame(df_result["user_date"].tolist(), index=df_result.index) df_result = df_result[["user_id", "date", "visit_count"]] end_time = time.time() print(f"运行耗时：{end_time - start_time:.2f} 秒") # 实际运行耗时约 650 秒（10分钟+） 

问题：代码用 iterrows() 循环遍历，效率极低，处理 500 万行数据耗时过长。

请帮我：1. 分析当前代码效率低的原因；2. 用 Pandas 内置函数（如 groupby）优化代码，确保功能不变；3. 对比优化前后的效率差异（预估耗时）；4. 给出大规模数据处理的 Pandas 优化建议。

 #### 模型输出（Claude 3 为例）： ```python import pandas as pd import time # 假设 df_logs 已读取（500万行） start_time = time.time() # 优化后的代码 # 1. 分析原代码低效原因： # - iterrows() 是逐行遍历，Pandas 对此类操作优化极差，时间复杂度为 O(n) 且常数项大； # - 字典存储中间结果，需频繁判断键是否存在，进一步增加耗时； # - 最后转换为 DataFrame 时需拆分元组，额外消耗资源。 # 2. 优化思路：用 Pandas 向量化操作（boolean indexing）+ groupby，时间复杂度降至 O(n) 且常数项极小 # 步骤1：筛选“访问”类型的行为（向量化操作，比循环判断快 100+ 倍） df_visit = df_logs[df_logs["action_type"] == "访问"].copy() # 步骤2：提取日期列（向量化操作，无需循环） df_visit["date"] = df_visit["log_time"].dt.date # 或 dt.strftime("%Y-%m-%d") 转为字符串格式 # 步骤3：按 user_id 和 date 分组，计算次数（groupby 是 Pandas 优化后的操作，底层用 C 实现） df_result = df_visit.groupby(["user_id", "date"]).size().reset_index(name="visit_count") # 步骤4：调整列顺序（确保与原代码输出一致） df_result = df_result[["user_id", "date", "visit_count"]] end_time = time.time() print(f"优化后运行耗时：{end_time - start_time:.2f} 秒") # 预估处理 500 万行数据耗时约 5-10 秒（效率提升 60-130 倍） # 3. 大规模数据处理的 Pandas 优化建议： # - 避免使用 iterrows()/itertuples() 逐行遍历，优先用向量化操作（如 boolean indexing、apply（谨慎用）、groupby）； # - 对超大 DataFrame（1000万行+），可使用 dtype 优化（如将字符串列转为 category 类型，减少内存占用）： # df_logs["action_type"] = df_logs["action_type"].astype("category") # - 若内存不足，可使用 chunksize 分块读取数据（pd.read_csv(chunksize=100000)），逐块处理后合并结果； # - 对重复执行的操作，优先用 Pandas 内置函数（如 size()/count()），避免自定义函数（如 lambda）； # - 考虑使用 Dask/PySpark 等分布式计算框架，处理亿级以上数据（Pandas 单进程处理有瓶颈）。 

结果验证：

1. 功能验证：对比优化前后的 df_result，确认“用户ID+日期”的访问次数统计结果一致；
2. 效率验证：优化后代码运行耗时从 650 秒降至 8 秒左右，效率提升约 80 倍，符合预期。

案例 3：多表合并与计算——需求转化场景

需求背景：

业务人员提出模糊需求：“想知道每个商品类别的‘复购率’，复购指用户在购买该类别商品后 30 天内再次购买同一类别”，需将该需求转化为 Pandas 操作并生成代码。

Prompt 设计：

我是电商数据分析师，业务人员提出以下需求： “想知道 2024 年 1-4 月每个商品类别的复购率，复购定义为：用户购买某类别商品后，30 天内再次购买该类别的商品（第一次购买不算复购，第二次及以后算）。例如：用户 A 3月1日买了家电，3月20日又买了家电，算 1 次复购；若 4月20日再买家电，因距离上次购买超过 30 天，不算复购。” 现有两个 DataFrame： 1. df_orders（订单数据）： - order_id（订单ID，字符串） - user_id（用户ID，字符串） - order_date（订单日期，datetime 类型） - product_id（商品ID，字符串） - quantity（购买数量，整数） 2. df_products（商品数据）： - product_id（商品ID，字符串） - category（商品类别，字符串，如"家电""服装""食品"） 请帮我：1. 将业务需求拆分为可执行的 Pandas 操作步骤；2. 生成对应的 Pandas 代码，包含详细注释；3. 最终输出“商品类别”“购买用户数”“复购用户数”“复购率”（复购用户数/购买用户数，保留 4 位小数）的 DataFrame，并按复购率降序排序。 

模型输出（Gemini Pro 为例）：

import pandas as pd import numpy as np # 一、需求拆分步骤（对应代码逻辑）：# 1. 合并订单数据与商品数据，关联商品类别（order_id → product_id → category）；# 2. 筛选 2024 年 1-4 月的订单（按 order_date 过滤）；# 3. 按“用户ID+商品类别”分组，获取每个用户在每个类别的所有购买日期，并按日期排序；# 4. 计算每个用户在每个类别的“相邻购买日期差”（后一次购买日期 - 前一次购买日期）；# 5. 判断是否满足复购条件：相邻日期差 ≤ 30 天，若有则该用户在该类别为“复购用户”；# 6. 按商品类别汇总：购买用户数（去重）、复购用户数（去重）；# 7. 计算复购率 = 复购用户数 / 购买用户数，整理输出结果。# 二、具体代码实现# 步骤1：合并订单数据与商品数据（按 product_id 内连接，确保每个订单都有商品类别） df_merged = pd.merge( left=df_orders, right=df_products, on="product_id", how="inner"# 只保留有商品类别的订单)print("=== 合并后数据前5行 ===")print(df_merged[["order_id","user_id","order_date","product_id","category"]].head())# 步骤2：筛选 2024 年 1-4 月的订单 df_merged["year_month"]= df_merged["order_date"].dt.to_period("M")# 提取年月，便于筛选 df_filtered = df_merged[df_merged["year_month"].between("2024-01","2024-04")].copy()print(f"\n=== 2024年1-4月订单数量：{len(df_filtered)} ===")# 步骤3：按“user_id + category”分组，获取每个用户-类别组合的购买日期列表，并排序defget_sorted_dates(group):# 对每个用户-类别的订单，按日期升序排序，返回日期列表return group["order_date"].sort_values().tolist()# 分组并应用函数，得到每个用户-类别的日期列表 user_category_dates = df_filtered.groupby(["user_id","category"]).apply(get_sorted_dates, include_groups=False).reset_index(name="purchase_dates")print("\n=== 每个用户-类别的购买日期列表（前5行） ===")print(user_category_dates.head())# 步骤4：计算相邻购买日期差，判断是否有复购defcheck_repurchase(dates):# 输入：排序后的购买日期列表；输出：是否为复购用户（True/False）iflen(dates)<2:# 购买次数 <2 次，无法复购returnFalse# 计算相邻日期差（单位：天） date_diffs =[dates[i]- dates[i-1]for i inrange(1,len(dates))] date_diffs_days =[diff.days for diff in date_diffs]# 判断是否有任意一次相邻差 ≤30 天returnany(diff <=30for diff in date_diffs_days)# 应用函数，标记每个用户-类别是否为复购用户 user_category_dates["is_repurchase_user"]= user_category_dates["purchase_dates"].apply(check_repurchase)print("\n=== 标记复购用户后（前5行） ===")print(user_category_dates[["user_id","category","is_repurchase_user"]].head())# 步骤5：按 category 分组，计算核心指标 category_metrics = user_category_dates.groupby("category").agg( 购买用户数=("user_id","nunique"),# 每个类别的购买用户数（去重） 复购用户数=("is_repurchase_user",lambda x: x.sum())# 复购用户数（True=1，False=0，求和即数量）).reset_index()# 步骤6：计算复购率（保留4位小数） category_metrics["复购率"]=round(category_metrics["复购用户数"]/ category_metrics["购买用户数"],4)# 步骤7：按复购率降序排序 category_metrics_sorted = category_metrics.sort_values("复购率", ascending=False)print("\n=== 2024年1-4月各商品类别复购率（按复购率降序） ===")print(category_metrics_sorted)# 可选：保存结果到 CSV category_metrics_sorted.to_csv("./2024Q1Q2_category_repurchase_rate.csv", index=False, encoding="utf-8-sig")print("\n=== 结果已保存至 ./2024Q1Q2_category_repurchase_rate.csv ===")

结果验证：

1. 业务逻辑验证：随机抽取 10 个“用户-类别”组合，手动检查购买日期差是否符合复购定义，确认 is_repurchase_user 标记正确；
2. 数据一致性验证：确认“购买用户数”等于 user_category_dates 中每个类别的 user_id 去重数量，复购率计算无逻辑错误。

案例 4：代码报错排查——报错排查场景

需求背景：

运行 Pandas 代码时出现 ValueError: Cannot merge on int64 and object columns，无法完成表合并，需用 Prompt 排查并修改。

Prompt 设计：

我运行以下 Pandas 代码时出现报错，无法合并两个 DataFrame，请帮我分析原因并修改： 【代码功能】 合并“用户表”（df_users）和“订单表”（df_orders），关联字段为“user_id”，目的是获取每个用户的订单信息。 【代码片段】 import pandas as pd # 读取用户表（CSV） df_users = pd.read_csv("./users.csv") print("df_users 列名和数据类型：") print(df_users.dtypes) # 输出： # user_id int64 # user_name object # age int64 # dtype: object # 读取订单表（Excel） df_orders = pd.read_excel("./orders.xlsx", sheet_name="2024订单") print("\ndf_orders 列名和数据类型：") print(df_orders.dtypes) # 输出： # order_id object # user_id object # order_date datetime64[ns] # amount float64 # dtype: object # 合并两个表（按 user_id 内连接） df_merged = pd.merge( left=df_users, right=df_orders, on="user_id", how="inner" ) 【报错信息】 ValueError: Cannot merge on int64 and object columns. Both key columns must be the same dtype. 请帮我：1. 解释报错的具体原因；2. 提供两种不同的修改方案（代码完整）；3. 说明如何预防此类合并报错。 

模型输出（ChatGPT 3.5 为例）：

# 1. 报错原因解释：# Pandas 的 merge 操作要求“关联字段（on 指定的列）的数据类型必须一致”，否则无法匹配数据。# 本例中：# - df_users["user_id"] 是 int64 类型（整数，如 1001、1002）；# - df_orders["user_id"] 是 object 类型（字符串，如 "1001"、"1002" 或 "U1001"）；# 整数类型与字符串类型无法直接比较合并，因此抛出 ValueError。# 2. 两种修改方案（均能解决问题，可根据实际数据选择）# 方案一：将 df_users["user_id"] 转为 object 类型（推荐，若订单表 user_id 含非数字字符，如 "U1001"）import pandas as pd # 读取数据 df_users = pd.read_csv("./users.csv") df_orders = pd.read_excel("./orders.xlsx", sheet_name="2024订单")# 修改数据类型：int64 → object df_users["user_id"]= df_users["user_id"].astype(str)# 转为字符串类型（object）# 验证修改后的数据类型print("修改后 df_users 数据类型：")print(df_users.dtypes)# user_id 应为 objectprint("\n修改后 df_orders 数据类型：")print(df_orders.dtypes)# user_id 保持 object# 合并表 df_merged = pd.merge( left=df_users, right=df_orders, on="user_id", how="inner")print(f"\n合并成功！合并后数据行数：{len(df_merged)}")print("合并后数据前5行：")print(df_merged[["user_id","user_name","order_id","amount"]].head())# 方案二：将 df_orders["user_id"] 转为 int64 类型（仅适用于订单表 user_id 全为数字字符串，如 "1001"，无字母/特殊字符）import pandas as pd # 读取数据 df_users = pd.read_csv("./users.csv") df_orders = pd.read_excel("./orders.xlsx", sheet_name="2024订单")# 先检查 df_orders["user_id"] 是否全为数字字符串（避免转换失败）defis_all_numeric(series):return series.apply(lambda x:str(x).isdigit()).all()if is_all_numeric(df_orders["user_id"]):# 若全为数字字符串，转为 int64 类型 df_orders["user_id"]= df_orders["user_id"].astype(int)else:# 若含非数字字符，抛出提示，避免转换报错raise ValueError("df_orders['user_id'] 包含非数字字符，无法转为 int64 类型，请使用方案一！")# 验证修改后的数据类型print("修改后 df_users 数据类型：")print(df_users.dtypes)# user_id 保持 int64print("\n修改后 df_orders 数据类型：")print(df_orders.dtypes)# user_id 应为 int64# 合并表 df_merged = pd.merge( left=df_users, right=df_orders, on="user_id", how="inner")print(f"\n合并成功！合并后数据行数：{len(df_merged)}")print("合并后数据前5行：")print(df_merged[["user_id","user_name","order_id","amount"]].head())# 3. 预防 merge 报错的建议：# - 合并前必做：用 df.dtypes 查看关联字段的数据类型，确保一致；# - 读取数据时指定类型：若已知关联字段类型，可在 read_csv/read_excel 时指定，避免自动识别错误：# df_users = pd.read_csv("./users.csv", dtype={"user_id": str}) # 读取时直接设为 object 类型# - 处理特殊字符：若订单表 user_id 含前缀（如 "U1001"），优先将用户表 user_id 转为 object 类型，而非强行转为 int64；# - 合并前检查数据：用 df[col].unique() 查看关联字段的样本值，确认无格式异常（如空格、换行符）。

结果验证：

1. 运行方案一代码，确认 df_users["user_id"] 转为 object 类型后，merge 操作无报错；
2. 若 df_orders["user_id"] 全为数字字符串，运行方案二代码也可成功合并；
3. 合并后的数据行数符合预期（无丢失正常数据）。

案例 5：批量生成月度报表——批量自动化场景

需求背景：

每月需生成 12 个地区的“销售报表”（包含销售额、订单数、客单价），手动重复操作繁琐，需用 Prompt 生成批量处理代码。

Prompt 设计：

我是电商运营，每月需生成 12 个地区的月度销售报表，需求如下： 1. 数据源：每月 1 个 CSV 文件，路径格式为 ./sales_2024XX.csv（XX 为月份，如 01=1月，06=6月）； 2. 数据结构：每个 CSV 含列名 order_id、user_id、region（地区，如"北京""上海""广州"）、amount（订单金额）、order_date（日期）； 3. 报表要求：对每个月份的每个地区，计算 3 个指标： - 总销售额：该地区该月 amount 总和（保留 2 位小数）； - 总订单数：该地区该月 order_id 去重计数； - 客单价：总销售额 / 总订单数（保留 2 位小数）； 4. 输出格式：每个月份生成 1 个 Excel 文件，路径为 ./monthly_report_2024XX.xlsx，每个 Excel 包含 12 个地区的报表（1 个地区 1 个 sheet，sheet 名=地区名）； 5. 批量范围：生成 2024 年 1-6 月的报表（即 XX=01 至 06）。 请写一段 Pandas 代码，实现上述批量自动化操作，要求： 1. 用循环遍历月份，自动读取对应 CSV 并生成 Excel； 2. 代码中包含异常处理（如文件不存在时提示，跳过该月份）； 3. 每个 Excel 的 sheet 中，报表格式清晰（含标题、指标说明）； 4. 生成完成后，打印“批量处理完成，成功生成 X 个月份报表，失败 Y 个月份”。 

模型输出（Claude 3 为例）：

import pandas as pd import os from openpyxl import Workbook from openpyxl.styles import Font, Alignment from openpyxl.utils.dataframe import dataframe_to_rows # 配置参数 year ="2024" months =["01","02","03","04","05","06"]# 批量处理的月份 input_dir ="./"# 输入 CSV 文件所在目录 output_dir ="./"# 输出 Excel 报表所在目录 regions =["北京","上海","广州","深圳","杭州","成都","南京","武汉","西安","重庆","天津","苏州"]# 12个目标地区# 初始化统计变量 success_count =0# 成功生成报表的月份数 fail_count =0# 失败的月份数 fail_months =[]# 失败的月份列表# 批量处理每个月份for month in months:try:# 步骤1：构造输入 CSV 路径，检查文件是否存在 csv_filename =f"sales_{year}{month}.csv" csv_path = os.path.join(input_dir, csv_filename)ifnot os.path.exists(csv_path):raise FileNotFoundError(f"文件不存在：{csv_path}")# 步骤2：读取 CSV 数据，筛选目标地区（避免处理无关地区） df = pd.read_csv(csv_path) df_target = df[df["region"].isin(regions)].copy()# 只保留 12 个目标地区的数据iflen(df_target)==0:raise ValueError(f"{year}年{month}月数据中，无目标地区（12个地区）的订单记录")# 步骤3：按 region 分组，计算核心指标 region_metrics = df_target.groupby("region").agg( 总销售额=("amount",lambda x:round(x.sum(),2)),# 总和保留2位小数 总订单数=("order_id","nunique"),# 订单ID去重计数).reset_index()# 计算客单价（总销售额 / 总订单数），避免除以0 region_metrics["客单价"]= region_metrics.apply(lambda row:round(row["总销售额"]/ row["总订单数"],2)if row["总订单数"]>0else0.00, axis=1)# 步骤4：创建 Excel 文件，为每个地区生成 1 个 sheet excel_filename =f"monthly_report_{year}{month}.xlsx" excel_path = os.path.join(output_dir, excel_filename)# 使用 openpyxl 创建工作簿（支持自定义格式） wb = Workbook()# 删除默认的 "Sheet" 工作表 wb.remove(wb.active)# 为每个地区生成 sheetfor region in regions:# 筛选该地区的指标数据 region_data = region_metrics[region_metrics["region"]== region].copy()# 若该地区无数据，填充为 0iflen(region_data)==0: region_data = pd.DataFrame({"地区":[region],"总销售额（元）":[0.00],"总订单数（笔）":[0],"客单价（元/笔）":[0.00]})else:# 重命名列，添加单位说明 region_data = region_data.rename(columns={"region":"地区","总销售额":"总销售额（元）","总订单数":"总订单数（笔）","客单价":"客单价（元/笔）"})# 创建新 sheet，命名为地区名 ws = wb.create_sheet(title=region)# 添加报表标题 title =f"{year}年{month}月 {region} 销售报表" ws.merge_cells('A1:D1')# 合并 A1-D1 单元格作为标题 ws['A1']= title # 设置标题格式（字体加粗、字号14、居中对齐） ws['A1'].font = Font(bold=True, size=14) ws['A1'].alignment = Alignment(horizontal='center', vertical='center')# 添加空行（美观） ws.append([])# 添加数据行（从 A3 开始）for r in dataframe_to_rows(region_data, index=False, header=True): ws.append(r)# 设置表头格式（字体加粗、居中对齐）for cell in ws[3]:# 表头在第3行（A3-D3） cell.font = Font(bold=True) cell.alignment = Alignment(horizontal='center')# 调整列宽 ws.column_dimensions['A'].width =10# 地区列 ws.column_dimensions['B'].width =15# 总销售额列 ws.column_dimensions['C'].width =15# 总订单数列 ws.column_dimensions['D'].width =18# 客单价列# 保存 Excel 文件 wb.save(excel_path) success_count +=1print(f"✅ 成功生成：{excel_path}")except Exception as e:# 捕获所有异常，记录失败信息 fail_count +=1 fail_months.append(f"{year}年{month}月")print(f"❌ {year}年{month}月处理失败：{str(e)}")# 步骤5：打印批量处理结果汇总print("\n"+"="*50)print(f"批量处理完成！")print(f"成功生成报表：{success_count} 个月份")print(f"失败月份：{fail_count} 个（{', '.join(fail_months)if fail_months else'无'}）")print("="*50)

结果验证：

1. 文件生成验证：检查 ./ 目录下是否生成 monthly_report_202401.xlsx 至 monthly_report_202406.xlsx 文件；
2. 内容验证：打开任意 Excel 文件，确认每个地区的 sheet 包含“标题+指标数据+格式美化”，指标计算正确（如总销售额=该地区金额总和）；
3. 异常处理验证：删除 sales_202403.csv 文件，运行代码，确认提示“2024年03月处理失败：文件不存在”，且不影响其他月份处理。

五、常见问题与解决方案（FAQ）

在 Prompt 与 Pandas 结合使用过程中，使用者常遇到“模型生成代码报错”“结果不符合预期”等问题。下表梳理了 8 个高频问题及对应的解决方案：

六、章节总结与扩展学习建议

1. 章节总结

本章从“基础认知→核心技巧→实战案例→FAQ”四个维度，系统讲解了 Prompt 与 Pandas 结合的使用方法，核心要点可概括为：

• 核心价值：Prompt 能降低 Pandas 学习门槛，提升数据处理效率，尤其适合“需求模糊”“复杂逻辑”“批量自动化”场景；
• Prompt 设计关键：必须包含“数据结构（列名、类型）+ 操作目标 + 输出格式 + 业务规则（若有）”，复杂需求需拆分步骤；
• 实战核心：不同场景（代码生成、优化、报错排查）需针对性设计 Prompt，生成代码后需验证“功能正确性+效率+可读性”。

2. 扩展学习建议

若想进一步提升“Prompt 与 Pandas 结合”的能力，可从以下 3 个方向深入学习：

• 方向 1：Pandas 高级功能与 Prompt 结合
  学习 Pandas 高级操作（如 pivot_table、window 函数、自定义 aggfunc），并设计 Prompt 让模型生成对应代码（如“用 Pandas window 函数计算每个用户的 7 天滚动平均消费金额”）。
• 方向 2：结合 RAG 技术优化 Prompt
  若需处理企业内部私有数据集（如含特殊字段、业务规则），可搭建 RAG（检索增强生成）系统：将数据集结构、业务指标定义存入知识库，Prompt 生成时自动检索相关信息，确保模型生成的代码贴合企业实际数据。
• 方向 3：Prompt 与 Pandas 自动化工具开发
  基于本章内容，开发简单的自动化工具：如“Prompt 转 Pandas 代码”Web 界面（用户输入自然语言需求，后端调用大模型生成代码并返回），或“Pandas 报错修复工具”（用户输入报错信息，工具生成修改方案）。

七、课后练习

为帮助读者巩固本章知识，设计以下 2 个练习，答案见本节末尾。

练习 1：基础练习——数据筛选与统计

需求：
有一份 CSV 数据（./user_behavior.csv），结构如下：

• user_id（字符串，用户ID）
• behavior_time（datetime 类型，行为时间）
• behavior_type（字符串，行为类型：“浏览”“收藏”“加购”“购买”）
• product_id（字符串，商品ID）

请设计 Prompt，让模型生成 Pandas 代码，完成以下操作：

1. 读取 CSV 文件；
2. 筛选出 2024 年 5 月 1 日至 5 月 7 日（含首尾）的“购买”行为数据；
3. 按 product_id 分组，计算每个商品的购买次数（命名为 purchase_count）；
4. 筛选出 purchase_count ≥ 10 的商品，按 purchase_count 降序排序；
5. 将结果保存为 ./hot_products_20240501_0507.csv，不保留索引。

练习 2：进阶练习——代码优化

需求：
以下代码用于计算“每个用户的最后一次购买时间”，但处理 100 万行数据耗时 30 秒，请设计 Prompt，让模型分析低效原因并优化代码：

import pandas as pd import time # 读取数据（100万行，user_id 约 50 万个唯一值） df = pd.read_csv("./user_purchases.csv") df["purchase_time"]= pd.to_datetime(df["purchase_time"]) start_time = time.time()# 初始化字典存储每个用户的最后购买时间 last_purchase ={}# 遍历所有行，更新最后购买时间for _, row in df.iterrows(): user = row["user_id"] time = row["purchase_time"]if user notin last_purchase or time > last_purchase[user]: last_purchase[user]= time # 转换为 DataFrame df_result = pd.DataFrame(list(last_purchase.items()), columns=["user_id","last_purchase_time"]) end_time = time.time()print(f"耗时：{end_time - start_time:.2f} 秒")

练习答案（提示）

练习 1 Prompt 设计参考：

我有一份用户行为 CSV 数据，路径为 ./user_behavior.csv，数据结构如下： - 列名1：user_id（数据类型：字符串，用户ID） - 列名2：behavior_time（数据类型：datetime 类型，行为时间，格式如"2024-05-01 09:30:00"） - 列名3：behavior_type（数据类型：字符串，取值为"浏览""收藏""加购""购买"） - 列名4：product_id（数据类型：字符串，商品ID） 请写一段 Pandas 代码，完成以下操作： 1. 读取该 CSV 文件，确保 behavior_time 被正确解析为 datetime 类型； 2. 筛选出 behavior_time 在 2024-05-01 00:00:00 至 2024-05-07 23:59:59 期间，且 behavior_type 为"购买"的数据； 3. 按 product_id 分组，计算每个商品的购买次数（即该组的行数，命名为 purchase_count）； 4. 从分组结果中筛选出 purchase_count ≥ 10 的商品，并按 purchase_count 降序排序； 5. 将最终结果保存为 CSV 文件，路径为 ./hot_products_20240501_0507.csv，不保留索引列。 要求：代码中添加注释，说明每个步骤的目的；验证筛选后的数据时间范围和行为类型是否正确。 

练习 2 Prompt 设计参考：

我有一段 Pandas 代码，用于计算每个用户的最后一次购买时间，处理 100 万行数据耗时约 30 秒，效率极低： 【代码片段】 import pandas as pd import time df = pd.read_csv("./user_purchases.csv") df["purchase_time"] = pd.to_datetime(df["purchase_time"]) start_time = time.time() last_purchase = {} for _, row in df.iterrows(): user = row["user_id"] time = row["purchase_time"] if user not in last_purchase or time > last_purchase[user]: last_purchase[user] = time df_result = pd.DataFrame(list(last_purchase.items()), columns=["user_id", "last_purchase_time"]) end_time = time.time() print(f"耗时：{end_time - start_time:.2f} 秒") 请帮我：1. 分析代码效率低的根本原因；2. 用 Pandas 内置函数（如 groupby）优化代码，确保功能不变；3. 预估优化后的耗时；4. 说明优化后的代码为何效率更高。 

优化后代码核心逻辑参考：
用 groupby("user_id")["purchase_time"].max() 直接获取每个用户的最后购买时间，替代 iterrows() 循环，预估耗时降至 1-2 秒。

八、本章小结

Prompt 与 Python Pandas 的结合，本质是“自然语言需求”与“代码实现”之间的桥梁。通过精准的 Prompt 设计，不仅能让初学者快速上手 Pandas 数据处理，还能让资深使用者摆脱重复编码的繁琐，将精力聚焦于“需求分析”和“结果解读”。

本章的核心不是“让模型替代人写代码”，而是“通过 Prompt 提升人用 Pandas 的效率”——最终目标是让使用者具备“用自然语言驱动数据处理”的能力，在数据分析、业务报表、自动化任务等场景中实现“需求提出→Prompt 设计→代码生成→结果验证”的闭环。

后续学习中，建议读者结合自身工作场景（如电商、金融、医疗），针对性设计 Prompt，不断验证和优化模型输出，逐步形成适合自己的“Prompt 与 Pandas 结合”工作流。

联系博主

    xcLeigh 博主，全栈领域优质创作者，博客专家，目前，活跃在ZEEKLOG、微信公众号、小红书、知乎、掘金、快手、思否、微博、51CTO、B站、腾讯云开发者社区、阿里云开发者社区等平台，全网拥有几十万的粉丝，全网统一IP为 xcLeigh。希望通过我的分享，让大家能在喜悦的情况下收获到有用的知识。主要分享编程、开发工具、算法、技术学习心得等内容。很多读者评价他的文章简洁易懂，尤其对于一些复杂的技术话题，他能通过通俗的语言来解释，帮助初学者更好地理解。博客通常也会涉及一些实践经验，项目分享以及解决实际开发中遇到的问题。如果你是开发领域的初学者，或者在学习一些新的编程语言或框架，关注他的文章对你有很大帮助。

    亲爱的朋友，无论前路如何漫长与崎岖，都请怀揣梦想的火种，因为在生活的广袤星空中，总有一颗属于你的璀璨星辰在熠熠生辉，静候你抵达。

     愿你在这纷繁世间，能时常收获微小而确定的幸福，如春日微风轻拂面庞，所有的疲惫与烦恼都能被温柔以待，内心永远充盈着安宁与慰藉。

    至此，文章已至尾声，而您的故事仍在续写，不知您对文中所叙有何独特见解？期待您在心中与我对话，开启思想的新交流。

     💞 关注博主 🌀 带你实现畅游前后端！

     🏰 大屏可视化 🌀 带你体验酷炫大屏！

     💯 神秘个人简介 🌀 带你体验不一样得介绍！

     🥇 从零到一学习Python 🌀 带你玩转Python技术流！

     🏆 前沿应用深度测评 🌀 前沿AI产品热门应用在线等你来发掘！

     💦 注：本文撰写于ZEEKLOG平台,作者：xcLeigh（所有权归作者所有） ，https://xcleigh.blog.ZEEKLOG.net/，如果相关下载没有跳转，请查看这个地址，相关链接没有跳转，皆是抄袭本文，转载请备注本文原地址。

     📣 亲，码字不易，动动小手，欢迎 点赞 ➕ 收藏，如 🈶 问题请留言（或者关注下方公众号，看见后第一时间回复，还有海量编程资料等你来领！），博主看见后一定及时给您答复 💌💌💌