Введение: почему промты меняют работу с данными
Data Science — это не только про математику и алгоритмы, но и про эффективную коммуникацию с инструментами. В 2026 году, когда языковые модели стали стандартным инструментом каждого дата-сайентиста, умение правильно формулировать промты (запросы к AI) превратилось в ключевой навык. Исследование Microsoft в 2025 году показало, что использование промтов сокращает время на написание кода для анализа данных в среднем на 40% (Microsoft Research, 2025).
Однако AI — не волшебная палочка. Если попросить «сделай анализ данных», модель выдаст общий шаблон, который не подойдёт под ваш конкретный датасет. Нужно чётко указать: библиотеку (Pandas, NumPy, Matplotlib, Seaborn), формат данных, желаемый результат и ограничения. В этой статье — 7 конкретных промтов, которые вы можете скопировать и вставить в любой AI-инструмент (ChatGPT, Claude, Gemini, Mistral) для решения реальных задач Data Science.
Как работают промты для Data Science
Каждый промт в этой подборке построен по схеме «Роль + Контекст + Задача + Формат вывода». Например:
- Роль: «Ты — опытный дата-сайентист»
- Контекст: «У меня датасет sales.csv с колонками date, revenue, region»
- Задача: «Напиши код на Pandas для группировки данных по месяцам и расчёта скользящего среднего»
- Формат вывода: «Верни код с комментариями и примером вывода для первых 5 строк»
Такой подход гарантирует, что AI не будет гадать, а сразу выдаст рабочий код. Все промты проверены на актуальность в июле 2026 года и работают с последними версиями библиотек (Pandas 2.2, Matplotlib 3.8, Seaborn 0.13).
1. Промт для первичного исследования данных (EDA) с Pandas
Когда использовать: Вы получили новый датасет и хотите быстро понять его структуру, типы данных, пропуски и базовую статистику.
Промт:
Ты — дата-сайентист с 10-летним опытом. У меня есть датасет в CSV-файле
data.csv. Напиши код на Python с использованием Pandas для полного разведочного анализа данных (EDA). Код должен:
1. Загрузить данные и вывести первые 10 строк
2. Показать типы данных и количество не-null значений
3. Вычислить описательную статистику для числовых колонок
4. Показать количество уникальных значений в категориальных колонках
5. Визуализировать корреляционную матрицу с помощью heatmap из Seaborn
6. Добавить комментарии к каждой строке кода
Верни код одним блоком с пояснениями, что делает каждая часть.
Пример использования: Допустим, вы загружаете датасет о продажах интернет-магазина. AI сгенерирует код, который покажет, что в колонке price есть пропуски (15% данных), а колонка region содержит 5 уникальных значений. Это сразу подскажет, что нужно делать: заполнить пропуски медианой и закодировать регионы.
Совет: Если ваш датасет большой (>1 млн строк), добавьте в промт фразу «используй sample(1000) для визуализации, чтобы не перегружать память».
2. Промт для очистки данных с Pandas
Когда использовать: Данные содержат дубликаты, пропуски, выбросы и некорректные форматы.
Промт:
Ты — эксперт по предобработке данных. Напиши функцию на Pandas для очистки датасета. Функция должна:
- Удалять полные дубликаты строк
- Заполнять пропуски в числовых колонках медианой, в категориальных — модой
- Удалять выбросы по методу IQR (межквартильный размах) для указанных колонок
- Приводить все строковые колонки к нижнему регистру и удалять лишние пробелы
- Преобразовывать колонку с датами из строкового формата в datetime
Функция должна принимать DataFrame и возвращать очищенный DataFrame. Добавь docstring и пример вызова.
Пример использования: После выполнения этого промта вы получаете готовую функцию clean_data(df), которую можно применить к любому датасету. Например, для датасета с ценами и датами продаж она автоматически удалит строки, где цена = 0 (выброс), и исправит даты вида «01/02/2026» на единый формат.
Важно: Метод IQR удаляет строки, где значения выходят за пределы [Q1 - 1.5IQR, Q3 + 1.5IQR]. Это стандартный подход, но для некоторых задач (например, анализ доходов) лучше использовать перцентили.
3. Промт для группировки и агрегации данных
Когда использовать: Нужно посчитать сумму продаж по регионам, средний чек по месяцам или другие сводные метрики.
Промт:
Ты — аналитик данных. Напиши код на Pandas для группировки данных по двум колонкам (date и category) с расчётом следующих агрегатов: сумма, среднее, медиана, стандартное отклонение, минимальное и максимальное значение для колонки revenue. Результат должен быть представлен в виде сводной таблицы (pivot table), где строки — месяцы, столбцы — категории, значения — средняя выручка. Добавь код для визуализации этой таблицы с помощью heatmap из Seaborn.
Пример использования: Вы работаете с датасетом интернет-магазина. AI генерирует код, который создаёт таблицу: по строкам — январь-декабрь 2025, по столбцам — категории «Электроника», «Одежда», «Книги». Heatmap сразу показывает, что в декабре электроника даёт всплеск продаж, а одежда — в июне. Это готовый инсайт для отчёта.
4. Промт для визуализации с Matplotlib и Seaborn
Когда использовать: Нужно построить графики для презентации или отчёта.
Промт:
Ты — специалист по визуализации данных. Напиши код на Python с использованием Matplotlib и Seaborn для создания дашборда из 4 графиков на одном полотне (subplots 2x2):
1. Линейный график (line plot) временного ряда с датами по оси X и значением колонки sales по оси Y
2. Столбчатая диаграмма (bar plot) средних продаж по категориям с доверительными интервалами
3. Boxplot распределения цены по категориям
4. Scatter plot зависимости sales от price с цветовой кодировкой по региону
Используй единый цветовой стиль (например, 'darkgrid' из Seaborn). Добавь заголовки, подписи осей и легенду. Настрой размер графика так, чтобы он был читаем при печати на A4.
Пример использования: Этот промт выдаёт готовый код для 4-панельного дашборда. Вы можете заменить sales и price на свои колонки и получить профессиональный график за 2 минуты. Особенно полезно для еженедельных отчётов.
Совет: Если график нужен в корпоративных цветах, добавьте в промт: «Используй цветовую палитру ['#1f77b4', '#ff7f0e', '#2ca02c']».
5. Промт для работы с временными рядами
Когда использовать: Данные содержат даты, и нужно проанализировать тренды, сезонность или сделать прогноз.
Промт:
Ты — аналитик временных рядов. Напиши код на Pandas для анализа временного ряда с колонками date и value. Код должен:
1. Установить колонку date как индекс и убедиться, что это datetime
2. Ресемплировать данные по месяцам (сумма значений)
3. Рассчитать скользящее среднее с окном 3 месяца
4. Разложить ряд на тренд, сезонность и остатки с помощью statsmodels.tsa.seasonal_decompose
5. Построить график с тремя линиями: исходный ряд, скользящее среднее, тренд
Верни код с комментариями и объяснением, как интерпретировать результат.
Пример использования: Вы анализируете ежемесячные продажи за 2 года. AI строит декомпозицию: тренд показывает рост на 5% в месяц, сезонность — пик в декабре, остатки — случайные колебания. Это основа для прогнозирования методом ARIMA или Prophet.
6. Промт для автоматизации отчётов с Pandas
Когда использовать: Нужно регулярно генерировать Excel-отчёты с несколькими листами.
Промт:
Ты — разработчик отчётов. Напиши код на Pandas, который создаёт Excel-файл с 3 листами:
- Лист 1: «Сводка» — сводная таблица продаж по месяцам и регионам
- Лист 2: «Детали» — исходные данные с дополнительной колонкой «Месяц» (извлечено из даты)
- Лист 3: «Аномалии» — строки, где sales отклоняются от среднего более чем на 2 стандартных отклонения
Используй ExcelWriter с опцией engine='openpyxl'. Добавь форматирование: заголовки жирным, числовые колонки с двумя знаками после запятой, автоширину столбцов.
Пример использования: Еженедельно вы запускаете этот скрипт, и он формирует готовый отчёт для руководства. Лист «Аномалии» особенно полезен — он подсвечивает нестандартные транзакции, которые могут быть ошибками или мошенничеством.
7. Промт для интеграции данных из разных источников
Когда использовать: Данные разбросаны по CSV, Excel, SQL-базам и API.
Промт:
Ты — инженер данных. Напиши код на Pandas для объединения данных из трёх источников:
1. CSV-файл с транзакциями (transactions.csv)
2. Excel-файл со справочником клиентов (clients.xlsx, лист «Clients»)
3. SQL-запрос к базе PostgreSQL с таблицей products (подключение через sqlalchemy)
Объедини их в один DataFrame с помощью merge по общим ключам (client_id и product_id). Удали дубликаты после объединения. Сохрани результат в новый CSV-файл. Добавь обработку ошибок (try/except) для каждого источника.
Пример использования: У вас есть данные о продажах из CRM (CSV), данные о клиентах из бухгалтерии (Excel) и каталог товаров из SQL. Вместо ручного копирования вы запускаете этот код, и через минуту получаете единый датасет для анализа.
Важно: Для подключения к PostgreSQL используйте строку подключения вида postgresql://user:password@host:port/dbname. Убедитесь, что установлены библиотеки psycopg2 и sqlalchemy. ASI Biont поддерживает подключение к PostgreSQL через API — подробнее на asibiont.com/courses.
Заключение: как адаптировать промты под свои задачи
Эти 7 промтов — база, которую можно и нужно дорабатывать. Вот 3 правила успешной адаптации:
- Указывайте названия колонок. Вместо «колонка sales» напишите «колонка 'revenue_usd'». AI точнее сгенерирует код.
- Добавляйте ограничения. Если датасет 10 ГБ, напишите «используй чанки (chunksize=10000)». Если нужен код без внешних библиотек — укажите это.
- Просите объяснения. Добавьте в конец промта: «Объясни каждую строку кода комментарием». Это поможет вам учиться.
Промты — это не магия, а инструмент. Они экономят часы рутинной работы, но не заменяют понимания данных. Используйте их как стартовую точку, проверяйте результат и адаптируйте под свою задачу. Удачи в анализе!
Дата публикации: 5 июля 2026 года
Комментарии