用 Prompt 进行数据清洗：缺失值与异常值自动标注

示例 1：基础缺失值标注（返回清洗后数据）

Prompt：

请处理以下 CSV 格式的客户数据，完成缺失值标注： 
1. 数据内容： 
客户 ID,姓名，年龄，手机号，注册时间 
1001，张三，28,13800138000,2024-01-05 
1002,,35,,2024-02-10 
1003，李四,,13900139000, 
1004，王五，42,13700137000,2024-03-18 
2. 标注规则： 
- 识别'姓名''年龄''手机号''注册时间'字段中的缺失值（空字符串视为缺失）； 
- 新增'缺失标注'列，用'字段名：缺失类型'格式标注（如'姓名：空字符串；手机号：空字符串'），无缺失则填'无'； 
3. 输出格式：保留原数据结构，新增'缺失标注'列，以 Markdown 表格形式呈现。

预期输出：

技巧点分析：

• 明确提供'数据内容'，避免模型因信息不足假设数据格式，减少误差；
• 用'字段名：缺失类型'的固定格式约束标注结果，确保输出结构化，便于后续处理；
• 指定输出格式为 Markdown 表格，提升结果可读性，若需导入工具，可替换为'CSV 文本'格式。

示例 2：带业务逻辑的缺失值标注（生成 Python 代码）

Prompt：

请生成 Python 代码，对电商订单数据进行缺失值标注，需求如下： 
1. 数据来源：Excel 文件'order_data.xlsx'，数据包含'订单 ID''用户 ID''支付金额''支付时间''物流单号'字段； 
2. 业务规则： 
- '支付金额'字段中，0 值或空值视为'支付未完成'，需标注； 
- '支付时间'字段为空且'支付金额'>0 时，标注为'支付时间缺失（金额已存在）'； 
- '物流单号'字段为空且'支付时间'不为空时，标注为'待发货（物流单号未生成）'； 
3. 代码功能： 
- 读取 Excel 文件； 
- 新增'缺失标注'列，按上述规则填写标注内容，多缺失情况用'；'分隔； 
- 将清洗后的数据保存为新 Excel 文件'order_data_with_missing_label.xlsx'； 
4. 代码要求：使用 Pandas 库，添加关键步骤注释，处理可能的文件读取异常（如文件不存在）。

预期输出：

import pandas as pd
from pandas import ExcelWriter
import os

def label_missing_values(input_path, output_path):
    # 处理文件读取异常
    if not os.path.exists(input_path):
        raise FileNotFoundError(f"输入文件不存在：{input_path}")
    
    # 读取 Excel 数据
    df = pd.read_excel(input_path)
    
    # 初始化缺失标注列
    df["缺失标注"]="无"
    
    # 1. 标注支付金额缺失/异常（0 值或空值）
    payment_missing = (df["支付金额"].isna()) | (df["支付金额"]==0)
    df.loc[payment_missing,"缺失标注"] = df.loc[payment_missing,"缺失标注"].apply(
        lambda x: f"{x}；支付金额：支付未完成" if x != "无" else "支付金额：支付未完成"
    )
    
    # 2. 标注支付时间缺失（金额已存在）
    time_missing_with_payment = (df["支付时间"].isna()) & (df["支付金额"]>0)
    df.loc[time_missing_with_payment,"缺失标注"] = df.loc[time_missing_with_payment,"缺失标注"].apply(
        lambda x: f"{x}；支付时间：支付时间缺失（金额已存在）" if x != "无" else "支付时间：支付时间缺失（金额已存在）"
    )
    
    # 3. 标注物流单号缺失（已支付）
    logistics_missing_with_payment = (df["物流单号"].isna()) & (df["支付时间"].notna())
    df.loc[logistics_missing_with_payment,"缺失标注"] = df.loc[logistics_missing_with_payment,"缺失标注"].apply(
        lambda x: f"{x}；物流单号：待发货（物流单号未生成）" if x != "无" else "物流单号：待发货（物流单号未生成）"
    )
    
    # 保存清洗后的数据
    with ExcelWriter(output_path, engine="openpyxl") as writer:
        df.to_excel(writer, index=False, sheet_name="订单数据（含缺失标注）")
    print(f"数据清洗完成，已保存至：{output_path}")
    return df

# 调用函数（可根据实际路径修改）
if __name__ == "__main__":
    input_file = "order_data.xlsx"
    output_file = "order_data_with_missing_label.xlsx"
    label_missing_values(input_file, output_file)

技巧点分析：

• 融入业务逻辑（如'支付金额>0 但支付时间为空'），让标注结果更贴合实际业务场景，而非单纯的技术缺失；
• 明确代码功能和要求（如异常处理、注释），确保生成的代码可直接运行，减少后续调试成本；
• 指定库（Pandas）和输出文件格式，避免模型使用不常用工具，提升兼容性。

（三）缺失值标注 Prompt 的优化技巧

1. 避免模糊表述：不用'处理缺失值'，而用'识别'年龄'字段中的 NA 值并标注为'数据未采集''，明确'字段 + 缺失类型 + 标注内容'；
2. 提供示例参考：若数据结构复杂，可在 Prompt 中加入 1-2 行示例数据和对应的标注结果，让模型更易理解规则；
3. 分场景指定输出：若需快速查看结果，用'返回 Markdown 表格'；若需批量处理，用'生成 Python/SQL 代码'，按需选择输出形式。

三、异常值自动标注的 Prompt 设计与实践

（一）异常值标注的核心维度

异常值通常偏离数据的正常分布或业务逻辑，标注前需明确判断维度，常见维度包括：

• 数值范围：如'年龄'>150 或<0、'订单金额'<0；
• 逻辑关联：如'下单时间'晚于'支付时间'、'库存数量'为负数；
• 格式规范：如'手机号'非 11 位数字、'邮箱'不含'@'；
• 统计分布：如'用户消费金额'超出均值 3 倍标准差（需在 Prompt 中明确统计规则）。

（二）不同类型异常值的 Prompt 示例

示例 1：数值范围类异常值标注（返回标注结果）

Prompt：

请分析以下用户消费数据，完成异常值标注： 
1. 数据内容（CSV 格式）： 
用户 ID，月消费金额（元）,消费次数，会员等级 
U001,580,12,VIP3 
U002,-200,8,VIP2 
U003,15000,5,VIP1 
U004,320,0,VIP3 
U005,650,15, 
2. 异常值规则： 
- '月消费金额（元）'：<0 标注为'金额异常（负数）'，>10000 标注为'金额异常（超出常规范围）'； 
- '消费次数'：=0 且'会员等级'为 VIP3/VIP2 标注为'次数异常（会员无消费）'； 
- '会员等级'：空值标注为'等级异常（未填写）'； 
3. 输出要求： 
- 新增'异常标注'列，按规则标注异常类型，无异常填'无'； 
- 用 Markdown 表格展示结果，并在表格下方简要说明每个异常值的判断依据。

预期输出：

异常值判断依据说明：

1. U002 月消费金额为 -200 元，符合'<0'规则，标注'金额异常（负数）'；
2. U003 月消费金额为 15000 元，符合'>10000'规则，标注'金额异常（超出常规范围）'；
3. U004 消费次数为 0，且会员等级为 VIP3，符合'会员无消费'规则，标注'次数异常（会员无消费）'；
4. U005 会员等级为空，符合'未填写'规则，标注'等级异常（未填写）'。

技巧点分析：

• 对'消费次数=0'添加'会员等级'的关联条件，避免误判非会员用户的正常 0 消费；
• 要求输出'判断依据'，便于人工复核异常标注的准确性，尤其适用于对数据质量要求高的场景；
• 明确数值阈值（如>10000），避免模型因'常规范围'的理解差异导致标注偏差。

示例 2：逻辑关联类异常值标注（生成 SQL 代码）

Prompt：

现有电商订单表'orders'，存储在 MySQL 数据库中，表结构如下： 
order_id (订单 ID, 主键), user_id (用户 ID), create_time (下单时间，datetime), pay_time (支付时间，datetime), product_num (商品数量), total_price (总金额，decimal(10,2)) 
请生成 MySQL 语句，完成以下异常值标注： 
1. 异常规则： 
- 逻辑异常 1：pay_time < create_time（支付时间早于下单时间），标注为'时间异常：支付早于下单'； 
- 逻辑异常 2：product_num < 1（商品数量小于 1），标注为'数量异常：商品数量无效'； 
- 逻辑异常 3：total_price < 0（总金额为负数），标注为'金额异常：总金额为负'； 
2. SQL 要求： 
- 新增'abnormal_label'字段（VARCHAR(100)），用于存储异常标注； 
- 先初始化'abnormal_label'为'无异常'，再按上述规则更新异常标注（多异常用'；'分隔）； 
- 最后查询出所有存在异常的订单（abnormal_label != '无异常'），包含 order_id、user_id、abnormal_label 字段。

预期输出：

-- 1. 新增异常标注字段（若字段不存在）
ALTER TABLE orders ADD COLUMN IF NOT EXISTS abnormal_label VARCHAR(100) DEFAULT '无异常';

-- 2. 初始化异常标注字段为'无异常'
UPDATE orders SET abnormal_label = '无异常';

-- 3. 更新逻辑异常 1：支付时间早于下单时间
UPDATE orders SET abnormal_label = CASE 
    WHEN abnormal_label = '无异常' THEN '时间异常：支付早于下单' 
    ELSE CONCAT(abnormal_label, '；时间异常：支付早于下单') 
END WHERE pay_time < create_time;

-- 4. 更新逻辑异常 2：商品数量小于 1
UPDATE orders SET abnormal_label = CASE 
    WHEN abnormal_label = '无异常' THEN '数量异常：商品数量无效' 
    ELSE CONCAT(abnormal_label, '；数量异常：商品数量无效') 
END WHERE product_num < 1;

-- 5. 更新逻辑异常 3：总金额为负数
UPDATE orders SET abnormal_label = CASE 
    WHEN abnormal_label = '无异常' THEN '金额异常：总金额为负' 
    ELSE CONCAT(abnormal_label, '；金额异常：总金额为负') 
END WHERE total_price < 0;

-- 6. 查询所有异常订单
SELECT order_id, user_id, abnormal_label FROM orders WHERE abnormal_label != '无异常';

技巧点分析：

• 使用'CASE WHEN'和'CONCAT'函数，支持多异常情况的叠加标注（如同时存在'支付早于下单'和'总金额为负'）；
• 先新增字段再初始化，避免字段不存在或原有数据干扰；
• 最后查询异常订单，直接定位问题数据，无需额外筛选操作，提升效率。

（三）异常值标注 Prompt 的避坑指南

1. 明确统计规则：若用'标准差''四分位距'判断异常，需在 Prompt 中写清计算方式（如'超出均值 3 倍标准差'），避免模型自行定义规则；
2. 区分'异常'与'错误'：如'会员等级为空'是'异常'，但'手机号为 12 位'是'错误'，在 Prompt 中明确标注术语，保持一致性；
3. 处理多异常叠加：需说明'多异常时是否合并标注'（如用'；'分隔），避免模型只标注首个异常。

四、Prompt 驱动数据清洗的工具适配与落地建议

（一）常用工具与 Prompt 适配方式

不同工具对 Prompt 的输入格式和输出支持不同，需根据工具特性调整 Prompt 内容，常见工具适配方式如下：

（二）落地时的关键注意事项

1. 小样本验证：首次使用 Prompt 清洗数据时，先用少量样本（如 10-20 行数据）测试 Prompt 效果，确认标注规则正确后再批量处理；
2. 人工复核：对关键业务数据（如金融、医疗数据），Prompt 标注后需人工抽样复核，避免模型因理解偏差导致标注错误；
3. 规则迭代：若发现标注遗漏或误判，需在原 Prompt 中补充规则（如'新增'邮箱格式错误'的标注规则'），逐步优化 Prompt 精度。

五、课后练习与思考题

（一）练习题

1. 现有一份'学生成绩表'，包含'学号''姓名''语文成绩''数学成绩''考试日期'字段，请设计 Prompt，标注以下异常值：
   • 语文/数学成绩 <0 或 >100；
   • 考试日期为'2024-02-30'（无效日期）；
   • 姓名为空但成绩不为空。 要求：输出 Markdown 表格（含'异常标注'列）和对应的 Python 清洗代码。
2. 针对 MySQL 中的'物流表'（字段：logistics_id、order_id、send_time、receive_time、transport_distance），设计 Prompt 生成 SQL 语句，标注'receive_time < send_time（收货早于发货）'和'transport_distance <0（运输距离为负）'的异常数据，并查询出所有异常记录。

（二）思考题

1. 当数据量超过 10 万行时，直接用 Prompt 让模型返回清洗后的数据会超出上下文窗口，此时应如何调整 Prompt 方案？
2. 对于'用户评论'这类非结构化文本数据，如何设计 Prompt 标注'无意义评论'（如'啊啊啊''123456'）这类异常值？

（三）参考答案与思路点拨

1. 练习题 1 思路：在 Prompt 中明确'成绩范围''无效日期''姓名 - 成绩关联'三个规则，输出时同时要求表格和代码，表格用于快速验证，代码用于批量处理；Python 代码可使用 Pandas 的 to_datetime 函数判断日期有效性（errors='coerce'）。
2. 练习题 2 思路：SQL 语句需先更新'abnormal_label'字段，再查询异常记录，注意用 CONCAT 处理多异常叠加，如'物流表'中同时存在'收货早于发货'和'运输距离为负'时，标注内容需合并。
3. 思考题 1 思路：此时应让 Prompt 生成'分批次处理'的 Python 代码（如用 chunksize 分块读取数据），或生成 SQL 语句直接在数据库中处理（数据库支持海量数据操作，无需担心上下文限制）。
4. 思考题 2 思路：在 Prompt 中定义'无意义评论'的特征（如'长度<3 且不含中文/英文单词''仅含数字/符号'），让模型按特征标注，若需更高精度，可在 Prompt 中提供 2-3 个无意义评论示例（Few-Shot 提示）。