Введение
Data Science — это не только математика и алгоритмы, но и умение быстро получать ответы из данных. Каждый день я, как практикующий разработчик, сталкиваюсь с задачами: очистить датасет, построить график, проверить гипотезу. И AI-помощники (вроде ChatGPT, Claude или Gemini) стали моими незаменимыми ассистентами. Но чтобы они выдавали качественный код, а не «водянистые» советы, нужны правильные промты.
В этой подборке — 10 проверенных промтов, которые я использую в работе с Pandas, Matplotlib и Seaborn. Каждый промт решает конкретную задачу, от загрузки данных до построения сложных визуализаций. Никакой теории — только практика.
1. Загрузка и первичный осмотр данных
Первый шаг в любом анализе — понять, с чем мы имеем дело. Промт помогает быстро получить обзор датасета.
Промт:
«Напиши код на Python с использованием Pandas для загрузки файла 'sales_data.csv'. Выведи первые 5 строк, количество строк и столбцов, типы данных в каждом столбце, количество пропусков в каждом столбце и базовые статистики (среднее, медиана, минимум, максимум) для числовых колонок. Добавь комментарии к каждой строке кода.»
Пример применения:
Я загружаю датасет с продажами интернет-магазина. AI генерирует:
import pandas as pd
# Загрузка данных
df = pd.read_csv('sales_data.csv')
# Вывод первых 5 строк
print(df.head())
# Размерность
print(f'Строк: {df.shape[0]}, Столбцов: {df.shape[1]}')
# Типы данных
print(df.dtypes)
# Количество пропусков
print(df.isnull().sum())
# Статистики
print(df.describe())
Результат: за 10 секунд я получаю полную картину данных. Экономия времени — 3-5 минут ручного написания.
2. Очистка данных: удаление пропусков и дубликатов
Реальные данные всегда грязные. Этот промт помогает автоматизировать очистку.
Промт:
«Напиши код на Pandas для очистки датафрейма 'df'. Удали все строки, где в колонке 'email' есть пропуски. Удали дубликаты по колонке 'user_id'. Заполни пропуски в колонке 'age' медианным значением. Выведи количество удалённых строк и итоговую размерность.»
Пример применения:
При работе с клиентской базой я нахожу 200 пропусков в email и 15 дубликатов. AI генерирует код, который делает всё за секунду.
3. Агрегация данных: группировка и сводные таблицы
Группировка — основа анализа. Промт для построения сводной таблицы.
Промт:
«Создай сводную таблицу с помощью Pandas: сгруппируй данные по колонкам 'region' и 'category', посчитай сумму продаж (колонка 'revenue') и средний чек ('avg_check'). Результат отсортируй по убыванию суммы продаж. Выведи топ-10 строк.»
Пример применения:
Я анализирую продажи по регионам. AI выводит таблицу, где видно, что регион «Москва» и категория «Электроника» дают 40% выручки.
4. Визуализация с Matplotlib: линейный график
Линейные графики — для временных рядов.
Промт:
«Построй линейный график с помощью Matplotlib. По оси X — даты из колонки 'date', по оси Y — значение 'sales'. Добавь заголовок 'Продажи по дням', подписи осей, сетку. Сделай размер графика 10x6 дюймов. Используй цвет 'green' и стиль линии '--'. Покажи график.»
Пример применения:
Я визуализирую дневные продажи за месяц. График показывает пики по выходным и спад в середине недели.
5. Визуализация с Seaborn: гистограмма и boxplot
Для анализа распределений.
Промт:
«Напиши код на Seaborn для построения двух графиков рядом: гистограммы (histplot) распределения возраста клиентов и boxplot возраста по категориям 'customer_type'. Используй разные цвета для каждой категории. Размер фигуры — 12x5 дюймов.»
Пример применения:
Я изучаю клиентскую базу и вижу, что возраст клиентов типа 'VIP' смещён в сторону 40-50 лет, а 'Standard' — 25-35.
6. Feature engineering: создание новых признаков
Новые признаки улучшают модели.
Промт:
«Создай в датафрейме 'df' новые колонки: 'month' (месяц из 'date'), 'weekday' (день недели), 'revenue_per_item' (разделить 'revenue' на 'quantity'). Затем сгруппируй по 'month' и посчитай среднее 'revenue_per_item'. Выведи результат.»
Пример применения:
Я добавляю признаки для прогноза продаж. AI генерирует код, который за 2 секунды создаёт 3 колонки.
7. Корреляционный анализ
Для поиска зависимостей.
Промт:
«Рассчитай корреляционную матрицу для всех числовых колонок датафрейма 'df'. Построй heatmap с помощью Seaborn, аннотируй значения, используй цветовую схему 'coolwarm'. Размер фигуры — 10x8. Выведи пары с корреляцией выше 0.7.»
Пример применения:
Я нахожу сильную корреляцию между 'ad_spend' и 'revenue' (0.85), что подтверждает эффективность рекламы.
8. Работа с датами: фильтрация и ресемплинг
Промт для временных рядов.
Промт:
«Отфильтруй данные за последние 30 дней (используй 'date' как индекс). Затем сделай ресемплинг по неделям, посчитав среднюю сумму продаж. Построй столбчатую диаграмму с помощью Matplotlib.»
Пример применения:
Я анализирую тренд за последний месяц. График показывает рост продаж на 15% за последнюю неделю.
9. Экспорт результатов
Чтобы сохранить результат анализа.
Промт:
«Экспортируй датафрейм 'df_aggregated' в Excel-файл 'report.xlsx' с двумя листами: 'Summary' и 'Details'. На листе 'Summary' сохрани только первые 20 строк, на 'Details' — все данные. Добавь автофильтр на каждый лист.»
Пример применения:
Я готовлю отчёт для руководителя. Файл создаётся за 1 секунду.
10. Комплексный анализ: полный пайплайн
Финальный промт — для автоматизации всего процесса.
Промт:
«Напиши полный скрипт анализа данных для датафрейма 'df' (колонки: 'date', 'revenue', 'quantity', 'region', 'category'). Скрипт должен: 1) вывести базовую информацию, 2) удалить пропуски в 'revenue', 3) сгруппировать по 'region' с суммой 'revenue', 4) построить barplot топ-5 регионов, 5) сохранить результат в CSV. Добавь комментарии.»
Пример применения:
Я запускаю скрипт и получаю готовый отчёт за 5 минут вместо часа ручной работы.
Заключение
Эти 10 промтов покрывают 80% моих ежедневных задач в Data Science. Они экономят часы рутинной работы и позволяют сосредоточиться на интерпретации результатов, а не на написании кода. Главное — формулируйте промты конкретно, указывайте названия колонок, типы графиков и желаемый формат вывода. Тогда AI станет вашим идеальным ассистентом.
Попробуйте эти промты в своём проекте — и вы увидите, как скорость анализа данных вырастет в разы. А если хотите углубиться в Data Science, обратите внимание на курсы ASI Biont, где мы учим применять AI в реальных задачах.
Эта статья написана при поддержке AI-ассистента, но проверена практикующим разработчиком. Все промты протестированы на реальных данных.
Комментарии