┌─────────────────────────────────────────────────────────────┐
│                  数据分析应用范围                             │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│  数据处理                                                    │
│  ├── 数据清洗                                               │
│  ├── 数据转换                                               │
│  ├── SQL 生成                                               │
│  └── 代码生成                                               │
│                                                             │
│  数据分析                                                    │
│  ├── 趋势分析                                               │
│  ├── 对比分析                                               │
│  ├── 异常检测                                               │
│  └── 相关性分析                                             │
│                                                             │
│  报告生成                                                    │
│  ├── 数据报告                                               │
│  ├── 业务报告                                               │
│  ├── 分析报告                                               │
│  └── 决策建议                                               │
│                                                             │
│  可视化建议                                                  │
│  ├── 图表选择                                               │
│  ├── 设计建议                                               │
│  ├── 代码生成                                               │
│  └── 交互设计                                               │
│                                                             │
└─────────────────────────────────────────────────────────────┘

场景：根据需求生成 SQL 查询语句

提示词模板：
─────────────────────────────────────────────────
# 角色
你是一位数据库专家，擅长 SQL 查询优化。

# 任务
请根据以下需求生成 SQL 查询语句。

# 数据库信息
- 数据库类型：[MySQL/PostgreSQL/等]
- 表结构：
  [表名]
  - 字段1: 类型
  - 字段2: 类型
  ...

# 查询需求
[描述需要查询的数据]

# 要求
- 优化查询性能
- 添加必要注释
- 考虑边界情况

# 输出格式
## SQL 语句
```sql
[SQL代码]

-- 查询2024年1月各城市订单统计
SELECT 
    u.city AS 城市,
    COUNT(o.id) AS 订单数量,
    SUM(o.amount) AS 总金额
FROM 
    orders o
JOIN 
    users u ON o.user_id = u.id
WHERE 
    o.status = 'completed'  -- 只统计已完成订单
    AND o.created_at >= '2024-01-01' 
    AND o.created_at < '2024-02-01'  -- 2024年1月
GROUP BY 
    u.city
ORDER BY 
    总金额 DESC;

### 数据清洗代码生成

[代码]

import pandas as pd
import re
from datetime import datetime

def clean_user_data(df: pd.DataFrame) -> pd.DataFrame:
    """清洗用户数据
    
    Args:
        df: 原始用户数据 DataFrame
    
    Returns:
        清洗后的 DataFrame
    """
    df = df.copy()
    
    # 1. 清洗姓名：去除空格和特殊字符
    df['name'] = df['name'].str.strip()  # 去除首尾空格
    df['name'] = df['name'].str.replace(r'[^\u4e00-\u9fa5a-zA-Z\s]', '', regex=True)
    
    # 2. 处理年龄
    # 将非数字转为 NaN
    df['age'] = pd.to_numeric(df['age'], errors='coerce')
    # 处理异常值：超出范围的设为 NaN
    df.loc[(df['age'] < 0) | (df['age'] > 120), 'age'] = None
    # 填充缺失值为中位数
    df['age'] = df['age'].fillna(df['age'].median())
    # 转为整数
    df['age'] = df['age'].astype(int)
    
    # 3. 验证邮箱格式
    email_pattern = r'^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$'
    df['email_valid'] = df['email'].str.match(email_pattern, na=False)
    # 转为小写
    df['email'] = df['email'].str.lower()
    
    # 4. 统一手机号格式
    def clean_phone(phone):
        if pd.isna(phone):
            return None
        # 提取数字
        digits = re.sub(r'\D', '', str(phone))
        # 取后11位
        if len(digits) >= 11:
            return digits[-11:]
        return None
    
    df['phone'] = df['phone'].apply(clean_phone)
    
    # 5. 统一日期格式
    def parse_date(date_str):
        if pd.isna(date_str):
            return None
        # 尝试多种格式
        formats = ['%Y-%m-%d', '%Y/%m/%d', '%d-%m-%Y', '%d/%m/%Y']
        for fmt in formats:
            try:
                return datetime.strptime(str(date_str), fmt).strftime('%Y-%m-%d')
            except ValueError:
                continue
        return None
    
    df['register_date'] = df['register_date'].apply(parse_date)
    
    return df

# 使用示例
# df = pd.read_csv('users.csv')
# cleaned_df = clean_user_data(df)
# cleaned_df.to_csv('users_cleaned.csv', index=False)

## 数据分析

### 趋势分析

## 报告生成

### 数据报告

## 可视化建议

### 图表选择

import matplotlib.pyplot as plt
import numpy as np

# 数据
months = ['1月', '2月', '3月', '4月', '5月', '6月',
          '7月', '8月', '9月', '10月', '11月', '12月']
sales = [120, 135, 142, 138, 155, 168, 175, 182, 190, 185, 210, 245]

# 创建图表
plt.figure(figsize=(12, 6))

# 绘制折线图
plt.plot(months, sales, 'b-o', linewidth=2, markersize=8, label='销售额')

# 填充面积
plt.fill_between(months, sales, alpha=0.3)

# 标注最高点和最低点
max_idx = np.argmax(sales)
min_idx = np.argmin(sales)
plt.annotate(f'最高: {sales[max_idx]}万', 
             xy=(months[max_idx], sales[max_idx]),
             xytext=(10, 10), textcoords='offset points',
             fontsize=10, color='orange')
plt.annotate(f'最低: {sales[min_idx]}万',
             xy=(months[min_idx], sales[min_idx]),
             xytext=(10, -15), textcoords='offset points',
             fontsize=10, color='red')

# 设置标签
plt.xlabel('月份', fontsize=12)
plt.ylabel('销售额（万元）', fontsize=12)
plt.title('2023年月度销售额趋势', fontsize=14, fontweight='bold')

# 添加网格
plt.grid(True, linestyle='--', alpha=0.7)

# 调整布局
plt.tight_layout()
plt.show()

option = {
    title: {
        text: '2023年月度销售额趋势'
    },
    tooltip: {
        trigger: 'axis'
    },
    xAxis: {
        type: 'category',
        data: ['1月', '2月', '3月', '4月', '5月', '6月',
               '7月', '8月', '9月', '10月', '11月', '12月']
    },
    yAxis: {
        type: 'value',
        name: '销售额（万元）'
    },
    series: [{
        data: [120, 135, 142, 138, 155, 168, 175, 182, 190, 185, 210, 245],
        type: 'line',
        smooth: true,
        areaStyle: {
            opacity: 0.3
        },
        markPoint: {
            data: [
                { type: 'max', name: '最大值' },
                { type: 'min', name: '最小值' }
            ]
        }
    }]
};

## 最佳实践

### 数据分析提示词原则

## 学习总结

恭喜你完成了 Prompt Engineering 的全部学习！你已经掌握了：

- 基础概念和原理
- 核心技术和技巧
- 进阶应用方法
- 安全防护措施
- 效果评估方法
- 实战应用案例

继续实践，不断提升你的 Prompt Engineering 技能！