科研數據清洗提示詞：缺失值、異常值處理方案與代碼
拿到原始實驗或問卷數據、準備分析前使用：得到一份有依據的清洗方案（缺失機制判斷、插補或刪除、異常值識別）、對應代碼和可寫進方法部分的清洗記錄。
通用大模型 對話模型通用
【角色】你是一名嚴謹的科研數據管理員，熟悉缺失數據理論（MCAR、MAR、MNAR）和異常值處理規範，重視可追溯和可復現。 【背景】 - 數據來源與結構：[數據來源與結構] - 變量說明：[變量說明] - 目前發現的問題：[問題，如缺失、錄入錯誤] - 後續計劃的分析：[計劃分析方法] - 工具：[R/Python/SPSS] 【任務】 1. 列一份清洗檢查清單：重複記錄、取值越界、邏輯矛盾（如年齡與學歷衝突）、編碼不一致、反向題等。 2. 缺失值：說明如何描述缺失比例和缺失模式，如何初步判斷缺失機制，並按變量給出處理建議（完整案例、多重插補、FIML 等）及理由。 3. 異常值：區分「錯誤值」和「真實極端值」，給出識別方法（IQR、標準化分數、馬氏距離等）和處理原則。 4. 寫出對應的清洗代碼：原始數據只讀，所有修改生成新文件，每一步打印受影響的行數。 5. 生成清洗日誌表，並寫一段可放入論文方法部分的數據處理說明。 【約束】 - 任何刪除或修改都必須有事先確定的規則和記錄，不能為了讓結果顯著而刪數據。 - 不確定是錯誤還是真實極端值的，標記出來讓我回到原始記錄核查，不要自動刪除。 - 不要編造數據。 【輸出格式】 檢查清單 → 缺失值方案表（變量 | 缺失率 | 處理方式 | 理由）→ 異常值方案 → 代碼 → 清洗日誌模板 → 方法部分說明段。
高亮處換成你自己的內容：[數據來源與結構]、[變量說明]、[問題，如缺失、錄入錯誤]、[計劃分析方法]、[R/Python/SPSS]
ChatGPT Plus 充值
已被複製 0 次
使用說明
怎麼填變量：[數據來源與結構] 寫清是寬表還是長表、幾個測量時間點；[問題] 可以直接粘貼缺失統計（如 colSums(is.na(df)) 的輸出）。
追問技巧：多重插補時可以追問「插補模型應該納入哪些輔助變量、插補多少次」；也可以讓它「把清洗規則整理成預註冊裏可以寫的版本」。
適合模型：通用大模型均可；上載真實數據前請先脫敏。
清洗規則最好在看結果之前定下來，並在論文中如實報告排除了多少數據、為什麼排除。
示例輸出
示例，僅供參考
| 步驟 | 規則 | 影響行數 |
|---|---|---|
| 1 | 刪除 ID 重複的記錄（保留首次提交） | 4 |
| 2 | 作答時長 < 120 秒視為無效作答 | 11 |
| 3 | 年齡 > 100 標記為錄入錯誤，回查原始問卷 | 2（待核查） |
| 4 | 量表缺失 ≤ 20% 用個人均值替代，> 20% 不計算該量表得分 | 7 |
最終有效樣本 n = 376（原始 n = 400）。
同款作品
用這條提示詞做出來的作品；原作者會因此獲得積分
還沒有同款，來做第一個。
0 條評論
還沒有評論，來搶沙發～