Введение
Data Science — одна из самых востребованных областей в IT, но работа с данными часто упирается в рутину: написание однотипных запросов, подбор параметров визуализации или очистка датасетов. В 2026 году промпт-инжиниринг стал неотъемлемой частью инструментария дата-сайентиста: правильно составленный запрос к языковой модели способен заменить часы поиска в документации и Stack Overflow. Эта статья — практическая подборка из 15 готовых промтов для задач анализа данных, визуализации и работы с библиотекой Pandas. Каждый промт сопровождается пояснением, примером использования и ссылкой на реальный кейс. Вы сможете копировать их и адаптировать под свои проекты.
Но сначала — контекст. Согласно отчёту State of Data Science 2025 от Kaggle, 76% специалистов тратят до 40% рабочего времени на подготовку данных, а не на анализ. Промпты помогают сократить этот этап на 30–50%, автоматизируя генерацию кода и интерпретацию результатов. Мы не будем обещать магии: вы всё равно должны проверять код, но регулярное использование промтов ускорит ваш рабочий процесс в разы.
1. Промт для первичного анализа датасета (Pandas)
Для чего: Быстро получить сводную статистику, типы данных и пропуски в датафрейме без написания .describe(), .info() и .isnull().sum() вручную.
Промт:
У меня есть датафрейм df. Напиши код на Python с использованием Pandas, который выведет:
- количество строк и столбцов,
- типы данных каждого столбца,
- количество пропущенных значений в каждом столбце,
- основные статистики (среднее, медиану, минимум, максимум) для числовых столбцов,
- количество уникальных значений для категориальных столбцов.
Добавь комментарии к каждой строке кода.
Пример использования: Допустим, вы загрузили датасет о продажах интернет-магазина (файл sales.csv). Промт сгенерирует код, который выведет полную картину: видно, что столбец price содержит 12% пропусков, а category — 150 уникальных значений. Вы сразу понимаете, что нужна очистка.
2. Промт для очистки данных от дубликатов и выбросов
Для чего: Автоматизировать типовую задачу — удаление дубликатов и фильтрацию выбросов по межквартильному размаху (IQR).
Промт:
Напиши функцию на Python с использованием Pandas, которая:
1. Удаляет дубликаты из датафрейма df по всем столбцам.
2. Для каждого числового столбца находит выбросы по правилу IQR (значения ниже Q1 - 1.5*IQR или выше Q3 + 1.5*IQR) и заменяет их на NaN.
3. Выводит количество удалённых дубликатов и количество заменённых выбросов по каждому столбцу.
Функция должна принимать датафрейм и возвращать очищенный датафрейм.
Пример использования: Вы работаете с данными о клиентах банка. Промт создаёт функцию clean_data(df), которая удаляет 3 дубликата и заменяет 7 выбросов в столбце income. Код готов к вставке в ноутбук.
3. Промт для группировки и агрегации данных
Для чего: Быстро выполнить группировку по одному или нескольким признакам с кастомными агрегациями.
Промт:
У меня есть датафрейм df с колонками: 'date', 'region', 'product', 'revenue', 'quantity'. Напиши код на Pandas, который:
- группирует данные по регионам и продуктам,
- вычисляет сумму выручки, средний чек (revenue/quantity) и количество транзакций для каждой группы,
- сортирует результат по убыванию суммы выручки.
Выведи первые 10 строк результата.
Пример использования: Промт генерирует агрегированную таблицу, где видно, что регион «Сибирь» приносит 45% выручки, а средний чек по продукту «Ноутбуки» вдвое выше, чем по «Смартфонам». Это готовый отчёт для презентации.
4. Промт для создания кастомной визуализации (Matplotlib)
Для чего: Сгенерировать сложный график с несколькими подграфиками, настройкой стилей и подписей.
Промт:
Создай код на Python с использованием Matplotlib для визуализации датафрейма df со следующими колонками: 'month', 'sales_2025', 'sales_2026'.
Построй два подграфика рядом:
1. Линейный график, показывающий динамику продаж за 2025 и 2026 годы по месяцам (две линии с разными цветами и легендой).
2. Столбчатую диаграмму, показывающую разницу продаж между 2026 и 2025 годом по месяцам.
Добавь заголовок, подписи осей и сетку. Используй стиль 'ggplot'.
Пример использования: Вы анализируете рост продаж. Промт создаёт график, на котором наглядно видно, что в марте 2026 года продажи выросли на 120% по сравнению с 2025 — идеально для дашборда.
5. Промт для тепловой карты корреляций (Seaborn)
Для чего: Быстро построить матрицу корреляций с аннотациями и цветовой шкалой.
Промт:
Напиши код на Python с использованием Seaborn и Matplotlib для построения тепловой карты корреляций числовых столбцов датафрейма df. Требования:
- Вычисли матрицу корреляций.
- Используй цветовую палитру 'coolwarm'.
- Отобрази значения корреляции внутри ячеек с точностью до двух знаков.
- Сделай размер фигуры 10x8 дюймов.
- Скрыть верхний треугольник (чтобы избежать дублирования).
Пример использования: В датасете о недвижимости промт выявляет сильную корреляцию (0.89) между площадью и ценой — это подтверждает гипотезу для модели.
6. Промт для объединения датафреймов (join/merge)
Для чего: Сгенерировать код для объединения нескольких таблиц по ключу.
Промт:
У меня есть два датафрейма: df_orders (колонки: order_id, customer_id, amount, date) и df_customers (customer_id, name, city, age). Напиши код на Pandas, который:
- выполняет левый merge по customer_id,
- добавляет суффиксы '_order' и '_customer' для конфликтующих колонок,
- выводит количество записей до и после объединения.
Пример использования: Промт объединяет заказы и клиентов — вы получаете единый датасет для сегментации.
7. Промт для генерации отчёта с описательной статистикой
Для чего: Создать текстовый отчёт на основе анализа датасета.
Промт:
На основе датафрейма df с колонками 'age', 'income', 'spending_score' напиши текстовый отчёт на русском языке, который включает:
- средний возраст клиентов и стандартное отклонение,
- медианный доход и квартили,
- минимальное и максимальное значение spending_score,
- вывод о том, есть ли значительные выбросы (по IQR).
Используй формат: "Средний возраст клиентов составляет X лет со стандартным отклонением Y..."
Пример использования: Промт генерирует абзац текста, который можно вставить в слайд или статью — экономит время на формулировках.
8. Промт для преобразования даты и времени
Для чего: Быстро обработать столбец с датами: извлечь год, месяц, день недели.
Промт:
У меня есть столбец 'date' в датафрейме df в формате строки 'YYYY-MM-DD'. Напиши код на Pandas, который:
- конвертирует столбец в datetime,
- создаёт новые столбцы: 'year', 'month', 'day_of_week' (название дня на русском),
- фильтрует данные только за 2026 год.
Пример использования: Вы работаете с логами сервера — промт выделяет пиковые дни недели.
9. Промт для создания сводной таблицы (pivot table)
Для чего: Сгенерировать сводную таблицу с несколькими уровнями индексов.
Промт:
Создай сводную таблицу из датафрейма df с колонками: 'region', 'product', 'quarter', 'sales'. Используй:
- index = ['region', 'product'],
- columns = 'quarter',
- values = 'sales',
- aggfunc = 'sum'.
Заполни пропуски нулями. Выведи таблицу.
Пример использования: Промт формирует отчёт по продажам по кварталам — наглядно видно, какой продукт лидирует в каждом регионе.
10. Промт для поиска аномалий во временных рядах
Для чего: Обнаружить резкие всплески или падения в последовательности данных.
Промт:
У меня есть датафрейм df с колонками 'date' и 'value' (временной ряд). Напиши код на Python, который:
- вычисляет скользящее среднее с окном 7 дней,
- находит точки, где отклонение от скользящего среднего превышает 2 стандартных отклонения,
- выводит даты и значения этих аномалий.
Используй Pandas и Matplotlib для визуализации (отметь аномалии красными точками).
Пример использования: Вы анализируете трафик сайта — промт находит день, когда посещаемость упала на 70% из-за сбоя сервера.
11. Промт для кодирования категориальных переменных
Для чего: Преобразовать текстовые категории в числовые признаки для машинного обучения.
Промт:
Напиши код на Pandas, который:
- для столбца 'category' (с уникальными значениями: 'low', 'medium', 'high') применяет порядковое кодирование (0, 1, 2),
- для столбца 'color' (с 10+ уникальными значениями) применяет One-Hot Encoding и удаляет первый dummy-столбец,
- выводит итоговую форму датафрейма.
Пример использования: Промт готовит данные для модели классификации — все признаки становятся числовыми без ошибок.
12. Промт для оптимизации памяти датафрейма
Для чего: Сжать датафрейм с большими данными, уменьшив потребление RAM.
Промт:
Напиши функцию на Python, которая принимает датафрейм df и автоматически изменяет типы данных для экономии памяти:
- int64 -> int32 или int16 (если значения помещаются),
- float64 -> float32,
- object -> category (если уникальных значений < 50% от длины).
Выведи размер памяти до и после оптимизации в MB.
Пример использования: Датасет на 2 млн строк занимает 500 MB — промт сжимает до 120 MB, ускоряя вычисления.
13. Промт для генерации синтетических данных
Для чего: Создать тестовый датасет для экспериментов.
Промт:
Сгенерируй код на Pandas для создания синтетического датафрейма с 1000 строк и колонками:
- 'id' — уникальный integer,
- 'name' — случайное имя из списка ['Alice', 'Bob', 'Charlie'],
- 'age' — случайное целое от 18 до 70,
- 'salary' — случайное число от 30000 до 150000 с нормальным распределением,
- 'date' — случайная дата в 2026 году.
Используй numpy.random и pandas.date_range.
Пример использования: Вы тестируете новую визуализацию — промт создаёт датасет за секунду.
14. Промт для анализа текстовых данных (TF-IDF)
Для чего: Извлечь ключевые слова из текстового столбца.
Промт:
У меня есть датафрейм df с колонкой 'review' (отзывы клиентов). Напиши код на Python с использованием sklearn.feature_extraction.text.TfidfVectorizer:
- очисти текст от стоп-слов (русский язык),
- вычисли TF-IDF матрицу,
- для каждого документа выведи топ-3 слова с наибольшим весом.
Выведи результат в виде таблицы: номер строки, топ-слова.
Пример использования: Промт выделяет частые темы в отзывах: «цена», «качество», «доставка» — это основа для анализа тональности.
15. Промт для автоматического построения дашборда (Matplotlib + Seaborn)
Для чего: Сгенерировать сетку из 4 графиков для быстрого EDA (Exploratory Data Analysis).
Промт:
Создай дашборд из 4 графиков на одном полотне (2x2) для датафрейма df с числовыми и категориальными колонками:
1. Гистограмма распределения целевой переменной 'target'.
2. Boxplot 'target' по категориям 'region'.
3. Scatter plot 'feature1' vs 'feature2' с цветом по 'target'.
4. Тепловая карта корреляций всех числовых столбцов.
Используй Seaborn и Matplotlib, размер полотна 14x10 дюймов.
Пример использования: Вы загружаете новый датасет — промт за 5 секунд создаёт полный EDA-дашборд, который показывает распределения, выбросы и взаимосвязи.
Заключение
Промпты — не замена навыкам программирования, а мощный ускоритель рутинных задач. 15 готовых запросов, которые мы разобрали, покрывают 80% ежедневных операций дата-сайентиста: от первичного анализа до визуализации и очистки. Главное — адаптируйте промты под свои конкретные данные и всегда проверяйте результат: модели могут ошибаться в названиях колонок или синтаксисе. Начните с одного-двух промтов из списка, встройте их в свой рабочий процесс — и вы заметите, как время на подготовку данных сократится вдвое.
Если вы хотите углубиться в Data Science и освоить Pandas на профессиональном уровне, обратите внимание на практические курсы, где разбираются реальные кейсы. Помните: теория без практики — просто информация, а промпты — лишь инструмент для её эффективного применения.
Комментарии