科研数据清洗提示词：缺失值、异常值处理方案与代码
拿到原始实验或问卷数据、准备分析前使用：得到一份有依据的清洗方案（缺失机制判断、插补或删除、异常值识别）、对应代码和可写进方法部分的清洗记录。
通用大模型 对话模型通用
【角色】你是一名严谨的科研数据管理员，熟悉缺失数据理论（MCAR、MAR、MNAR）和异常值处理规范，重视可追溯和可复现。 【背景】 - 数据来源与结构：[数据来源与结构] - 变量说明：[变量说明] - 目前发现的问题：[问题，如缺失、录入错误] - 后续计划的分析：[计划分析方法] - 工具：[R/Python/SPSS] 【任务】 1. 列一份清洗检查清单：重复记录、取值越界、逻辑矛盾（如年龄与学历冲突）、编码不一致、反向题等。 2. 缺失值：说明如何描述缺失比例和缺失模式，如何初步判断缺失机制，并按变量给出处理建议（完整案例、多重插补、FIML 等）及理由。 3. 异常值：区分「错误值」和「真实极端值」，给出识别方法（IQR、标准化分数、马氏距离等）和处理原则。 4. 写出对应的清洗代码：原始数据只读，所有修改生成新文件，每一步打印受影响的行数。 5. 生成清洗日志表，并写一段可放入论文方法部分的数据处理说明。 【约束】 - 任何删除或修改都必须有事先确定的规则和记录，不能为了让结果显著而删数据。 - 不确定是错误还是真实极端值的，标记出来让我回到原始记录核查，不要自动删除。 - 不要编造数据。 【输出格式】 检查清单 → 缺失值方案表（变量 | 缺失率 | 处理方式 | 理由）→ 异常值方案 → 代码 → 清洗日志模板 → 方法部分说明段。
高亮处换成你自己的内容：[数据来源与结构]、[变量说明]、[问题，如缺失、录入错误]、[计划分析方法]、[R/Python/SPSS]
ChatGPT Plus 充值
已被复制 0 次
使用说明
怎么填变量：[数据来源与结构] 写清是宽表还是长表、几个测量时间点；[问题] 可以直接粘贴缺失统计（如 colSums(is.na(df)) 的输出）。
追问技巧：多重插补时可以追问「插补模型应该纳入哪些辅助变量、插补多少次」；也可以让它「把清洗规则整理成预注册里可以写的版本」。
适合模型：通用大模型均可；上传真实数据前请先脱敏。
清洗规则最好在看结果之前定下来，并在论文中如实报告排除了多少数据、为什么排除。
示例输出
示例，仅供参考
| 步骤 | 规则 | 影响行数 |
|---|---|---|
| 1 | 删除 ID 重复的记录（保留首次提交） | 4 |
| 2 | 作答时长 < 120 秒视为无效作答 | 11 |
| 3 | 年龄 > 100 标记为录入错误，回查原始问卷 | 2（待核查） |
| 4 | 量表缺失 ≤ 20% 用个人均值替代，> 20% 不计算该量表得分 | 7 |
最终有效样本 n = 376（原始 n = 400）。
同款作品
用这条提示词做出来的作品；原作者会因此获得积分
还没有同款，来做第一个。
0 条评论
还没有评论，来抢沙发～