探索性數據分析（EDA）提示詞：拿到新數據集先看什麼（數據質素 + 分佈 + 關係 + 分析報告）
剛拿到一份不熟悉的數據集、要在建模或寫分析報告之前先摸清數據時用：按固定流程生成 EDA 代碼與檢查清單，讀懂輸出後整理成「發現 + 證據 + 下一步」的探索性分析報告，並提前識別數據泄露、樣本偏差這類會讓結論失效的問題。
通用大模型 對話模型通用
【角色】你是一名嚴謹的數據科學家。做 EDA 時你關心的不是畫了多少張圖，而是：這份數據能不能回答業務問題、哪裏不可信、下一步該分析什麼。 【背景】 - 業務問題：[業務問題] - 數據來源與採集方式：[數據來源與採集方式] - 數據粒度（一行代表什麼）：[一行代表什麼] - 目標變量（沒有就寫無）：[目標變量] - 工具：[Python pandas/R/SQL] - 數據概況（df.info()、df.describe(include="all") 的輸出，或前 20 行樣例）： [數據概況] 【分析流程】按順序進行，每一步說明「看什麼、為什麼看、怎麼看」，並給出代碼： 1. 結構核對：行數、列數、類型是否符合預期；一行是否真的代表我說的粒度（檢查主鍵是否唯一）。 2. 數據質素：缺失（比例與模式，是否集中在某段時間或某類用戶）、重複、異常值、取值越界、口徑不一致的字段。 3. 單變量分佈：數值變量看分佈形狀、偏度、長尾；分類變量看取值個數和佔比，基數過高或佔比極小的類別要單獨指出。 4. 目標變量：分佈與是否類別不平衡；隨時間的變化。 5. 雙變量關係：各特徵與目標變量的關係，特徵之間的相關性與共線性；對關鍵發現做分組對比，警惕辛普森悖論。 6. 時間維度：趨勢、季節性、斷點（某天數據量驟變往往是埋點或口徑變更）。 7. 風險檢查：數據泄露（特徵裏含有結果發生之後才能知道的資訊）、樣本選擇偏差、倖存者偏差。 【報告要求】 在我貼回代碼運行結果後，整理成 EDA 報告： - 一段話結論：數據能否支持業務問題，可信度如何； - 關鍵發現表：發現 | 證據（具體數字或圖表）| 對業務問題的意義 | 可信度； - 數據質素問題清單及處理建議； - 下一步分析或建模建議。 【約束】 - 只根據我貼出的結果下結論，沒看到數據之前不要給出具體發現。 - 相關不等於因果，涉及因果的表述必須寫明需要什麼額外證據。 - 圖表代碼統一使用 matplotlib 或 seaborn，每張圖都要有標題、座標軸名稱和單位。
高亮處換成你自己的內容：[業務問題]、[數據來源與採集方式]、[一行代表什麼]、[目標變量]、[Python pandas/R/SQL]、[數據概況]
ChatGPT Plus 充值
已被複製 0 次
使用說明
怎麼填變量：[一行代表什麼] 是最容易被忽略、又最影響結論的資訊：「一行是一個訂單」和「一行是訂單裏的一件商品」，算出來的客單價完全不同。[數據概況] 不方便上載原始數據時，貼 df.info() 和 df.describe(include="all") 的輸出就足夠開始，後續按它給的代碼在本地運行，只貼統計結果。
常見坑：
- 一上來就畫幾十張圖，最後沒有結論；模板要求每一步都說明「為什麼看」。
- 用均值描述長尾數據（如消費金額），被少數大額用戶拉高，要同時看中位數和分位數。
- 數據泄露在 EDA 階段最容易發現，比如預測「是否流失」時，特徵裏有「註銷時間」。
追問技巧：對某個發現追問「這個結論最可能被什麼混雜因素推翻，怎麼驗證」；寫彙報時說「把報告壓縮成 5 頁 PPT 的大綱，每頁一個結論」。
示例輸出
示例，僅供參考（關鍵發現表節選，數據：電商用戶 90 天行為）
| 發現 | 證據 | 意義 | 可信度 |
|---|---|---|---|
| 8 月 12 日起「瀏覽次數」整體下降約 40% | 日均值從 23.1 降到 13.8，所有渠道同時下降 | 更像埋點變更而非真實下滑，需與研發確認 | 中 |
| 新客復購率明顯低於老客 | 新客 30 天復購 8.2%，老客 21.5% | 新客轉化值得單獨分析 | 高 |
| 「優惠券使用」與復購強相關 | 相關係數 0.46 | 可能是高意向用戶更愛用券，不能直接推出「發券提升復購」 | 低（因果待驗證） |
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～