12 промтов на Python и pandas: как из сырых датасетов выжать прогнозы и тренды

Промты для анализа данных и визуализации: 12 сценариев, которые превращают сырые датасеты в готовые инсайты

Вы когда-нибудь смотрели на CSV-файл с миллионом строк и понимали, что не знаете, с чего начать? Или тратили часы на написание кода для pandas, чтобы просто построить график? В 2026 году анализ данных перестал быть уделом только дата-сайентистов. С правильными промтами для ChatGPT, Claude или любого другого AI-ассистента вы можете превратить сырые данные в чёткие инсайты за минуты, а не дни. В этой подборке — 12 проверенных промтов, которые я лично использовал в проектах для маркетинга, финансов и продуктовой аналитики. Каждый промт — это готовый к копипасту шаблон с примером на Python (pandas, matplotlib, seaborn). Вы узнаете, как заставить AI писать код, который действительно работает, и как интерпретировать результаты без ложных выводов.

Как использовать эти промты

Все промты предполагают, что вы работаете с AI-ассистентом, который умеет выполнять код (например, ChatGPT с Code Interpreter, Claude с Analysis Tool). Если ваш ассистент не исполняет код, вы можете скопировать сгенерированный Python-скрипт и запустить его локально в Jupyter Notebook. Главное правило: всегда проверяйте, что AI понимает структуру ваших данных. Для этого в начале сессии дайте ему первые 5 строк вашего датасета и описание колонок. Это снизит риск галлюцинаций.

1. Быстрый EDA (разведочный анализ данных)

Задача: Понять, что вообще находится в датасете, какие есть пропуски, выбросы и типы данных.

Промт:

Ты — опытный дата-аналитик. Вот первые 5 строк моего датасета (CSV):
<вставьте сюда вывод df.head()>

Выполни разведочный анализ:
1. Выведи размер датасета, типы колонок и количество пропусков.
2. Для числовых колонок построй describe() и гистограммы.
3. Для категориальных — выведи топ-10 значений и их частоты.
4. Найди выбросы методом IQR и выведи строки с ними.
5. Сделай краткий вывод: на что обратить внимание в первую очередь.

Пример: Вы загрузили данные о продажах за год. AI покажет, что в колонке "revenue" 15% пропусков, а в "category" — 200 уникальных значений. Вы сразу поймёте, что нужно чистить данные перед анализом.

Совет: Если данных много, попросите AI сначала работать с выборкой в 10 000 строк для скорости.

2. Очистка данных и обработка пропусков

Задача: Подготовить датасет к анализу: заполнить пропуски, исправить типы, удалить дубликаты.

Промт:

Вот датасет df с пропусками и дубликатами. Напиши код на pandas, который:
- удаляет полные дубликаты;
- для числовых колонок заполняет пропуски медианой;
- для категориальных — модой;
- преобразует колонку 'date' в datetime;
- удаляет строки, где пропущено более 50% значений.
Выведи отчёт: сколько строк удалено, сколько заполнено.

Пример: Датасет с опросом клиентов. AI заполнит пропуски в возрасте медианой, а в городе — самым частым значением. Вы получите чистые данные для дальнейшего анализа.

Важно: Всегда проверяйте, что заполнение не искажает распределение. AI может предложить более умные методы (KNNImputer), если данных достаточно.

3. Анализ временных рядов и трендов

Задача: Выявить сезонность, тренд и аномалии в данных с датой.

Промт:

У меня есть временной ряд: колонка 'date' (ежедневные данные) и 'value'. 
Построй график, разложи ряд на тренд, сезонность и остатки (аддитивная модель). 
Найди аномалии (выбросы) с помощью Z-score > 3. 
Сделай прогноз на 30 дней вперёд методом Prophet или ARIMA. 
Выведи график с прогнозом и доверительным интервалом.

Пример: Продажи кофейни. AI покажет, что по выходным пик, а в январе спад. Прогноз поможет закупить зёрна заранее.

Инструменты: pandas, statsmodels, prophet. Обязательно проверьте стационарность ряда (ADF-тест).

4. Сравнение групп и A/B-тесты

Задача: Проверить, есть ли статистически значимая разница между контрольной и тестовой группой.

Промт:

Даны две группы: control и treatment. В каждой — метрика conversion (0/1). 
Проведи t-тест для пропорций (или хи-квадрат). 
Выведи p-value, доверительный интервал разницы, размер эффекта (Cohen's h). 
Интерпретируй результат: значимо ли изменение на уровне 0.05?

Пример: A/B-тест новой кнопки. AI скажет: p-value = 0.03, значит, изменение значимо. Но проверьте размер выборки — если он мал, результат может быть ложным.

Ошибка: Не используйте t-тест для пропорций, если выборка < 30. Лучше точный тест Фишера.

5. Кластеризация (сегментация клиентов)

Задача: Разбить клиентов на группы по поведению.

Промт:

У меня есть данные о клиентах: возраст, доход, частота покупок, средний чек. 
Выполни кластеризацию методом K-means. 
Подбери оптимальное число кластеров с помощью метода локтя и silhouette score. 
Выведи графики кластеров и опиши каждый кластер (средние значения признаков).

Пример: Интернет-магазин. AI выделит 3 сегмента: «экономные», «лояльные», «спящие». Для каждого — своя стратегия.

Совет: Перед кластеризацией масштабируйте данные (StandardScaler), иначе признаки с большими значениями будут доминировать.

6. Визуализация: дашборд на matplotlib/seaborn

Задача: Создать набор графиков для презентации.

Промт:

Построй 4 графика в одном окне (2x2): 
1. Гистограмма распределения целевой переменной.
2. Boxplot по категориям.
3. Scatter plot двух числовых признаков с линией регрессии.
4. Тепловая карта корреляций.
Используй seaborn, настрой стиль, подпиши оси и заголовки.

Пример: Для отчёта по маркетингу. AI сгенерирует код, который вы сразу вставите в Jupyter.

Фишка: Попросите AI сохранить графики в PNG с высоким DPI (300) для печати.

7. Корреляционный анализ и поиск взаимосвязей

Задача: Найти, какие признаки влияют на целевую переменную.

Промт:

Вычисли матрицу корреляций Пирсона и Спирмена для всех числовых колонок. 
Выведи топ-10 пар с highest absolute correlation. 
Построй heatmap. 
Проверь мультиколлинеарность (VIF > 5). 
Сделай вывод: какие признаки стоит включить в модель.

Пример: Прогноз оттока. AI покажет, что «количество обращений в поддержку» сильно коррелирует с оттоком (r = 0.7).

Внимание: Корреляция не равна причинно-следственной связи. AI должен это подчеркнуть.

8. Прогнозирование (регрессия)

Задача: Построить модель для предсказания числового значения.

Промт:

Построй модель линейной регрессии для предсказания target. 
Раздели данные на train/test (80/20). 
Выведи метрики: R2, MAE, RMSE. 
Проверь остатки на гомоскедастичность и нормальность. 
Сравни с Random Forest и Gradient Boosting. 
Выведи важность признаков.

Пример: Прогноз цены квартиры. AI покажет, что метро и площадь — главные факторы.

Совет: Не забудьте про кросс-валидацию, чтобы избежать переобучения.

9. Классификация и оценка модели

Задача: Предсказать категорию (например, купит/не купит).

Промт:

Обучи логистическую регрессию и случайный лес для бинарной классификации. 
Выведи accuracy, precision, recall, F1, ROC-AUC. 
Построй confusion matrix и ROC-кривую. 
Интерпретируй: что важнее в моей задаче — precision или recall?

Пример: Кредитный скоринг. AI напомнит, что ложноотрицательные ошибки (дать кредит дефолтнику) опаснее.

Инструмент: scikit-learn. Для дисбаланса классов используйте class_weight='balanced'.

10. Работа с текстовыми данными (NLP)

Задача: Проанализировать отзывы или комментарии.

Промт:

У меня есть колонка 'review_text'. 
Выполни предобработку: удали стоп-слова, пунктуацию, приведи к нижнему регистру. 
Построй облако слов (wordcloud) и топ-20 частотных слов. 
Выполни сентимент-анализ (VADER или TextBlob). 
Выведи распределение тональности.

Пример: Отзывы о ресторане. AI покажет, что чаще всего хвалят «обслуживание», а ругают «цены».

Совет: Для русского языка используйте библиотеку dostoevsky или Natasha.

11. Автоматизация отчётов

Задача: Сгенерировать PDF-отчёт с графиками и выводами.

Промт:

Создай скрипт на Python, который: 
- загружает данные из CSV; 
- выполняет EDA; 
- строит 3 ключевых графика; 
- формирует текстовые выводы; 
- сохраняет всё в PDF через matplotlib.backends.backend_pdf.

Пример: Еженедельный отчёт для руководства. AI сгенерирует шаблон, который можно запускать по расписанию.

Фишка: Используйте f-строки для подстановки актуальных цифр в текст.

12. Интерпретация результатов и storytelling

Задача: Превратить цифры в историю для нетехнических коллег.

Промт:

Вот результаты анализа: <вставьте ключевые метрики>. 
Напиши краткое резюме (5-7 предложений) на русском языке. 
Выдели 3 главных инсайта. 
Предложи 2 рекомендации на основе данных. 
Избегай жаргона, пиши для менеджеров.

Пример: После анализа оттока AI напишет: «Клиенты уходят после 3 месяцев без покупок. Рекомендуем запустить email-кампанию на 60-й день».

Совет: Проверяйте, чтобы AI не делал поспешных выводов из корреляций.

Сравнение популярных AI-инструментов для анализа данных

Частые ошибки при использовании AI для анализа данных

1. Слепое доверие. AI может ошибаться в синтаксисе или логике. Всегда проверяйте код на маленькой выборке.
2. Игнорирование контекста. Если не рассказать AI о природе данных, он может применить неподходящий метод.
3. Переусложнение. Начните с простых моделей, прежде чем переходить к нейросетям.
4. Отсутствие валидации. Всегда используйте кросс-валидацию и тестовую выборку.

Вывод

Промты для анализа данных — это не замена аналитику, а ускоритель. Они берут на себя рутину: написание кода, построение графиков, первичную интерпретацию. Но решения по-прежнему принимаете вы. Используйте эти 12 сценариев как отправную точку, адаптируйте под свои задачи и всегда проверяйте результаты. Экспериментируйте, комбинируйте промты, и вы удивитесь, насколько быстрее станет ваш анализ. А если хотите глубже освоить работу с данными и AI — изучите наши курсы, где мы разбираем реальные кейсы без воды и выдуманных функций.

Полезные ссылки:
- Pandas documentation
- Seaborn gallery
- Scikit-learn user guide
- Prophet docs