Pandas Data Analysis taste — промпт для ChatGPT
Промпт Pandas Data Analysis taste для ChatGPT и Claude.ai предлагает практики работы с Pandas для воспроизводимого анализа данных.
CC0-1.0 ★ 178 201 обновлён 2026-10-24
Открыть на GitHubЧто делает Pandas Data Analysis taste
Промпт «Pandas Data Analysis taste» предлагает набор принципов для создания воспроизводимого анализа данных с использованием библиотеки Pandas. Он фокусируется на практиках, которые помогают избежать распространённых ошибок и улучшить надёжность кода. Среди ключевых рекомендаций — ведение анализа в версионируемых скриптах, фиксация версий библиотек (pandas, numpy, pyarrow) в lockfile для стабильности результатов, а также явное указание типов данных (dtype, parse_dates, usecols) при чтении больших файлов, чтобы Pandas не угадывал их автоматически.
Промпт советует предпочитать формат Parquet для промежуточных датасетов из-за сохранения типов, хорошего сжатия и быстрой загрузки. Он также рекомендует использовать pyarrow-backed строковые и nullable типы данных, чтобы пропущенные значения не превращали целочисленные столбцы во float. Для преобразований данных предлагается применять цепочки методов с assign, pipe и query, избегая последовательных изменений на месте. Важно никогда не использовать inplace=True, а переназначать результат, чтобы поток данных оставался прозрачным. Для выбора данных следует явно использовать .loc и .iloc, избегая цепочечного индексирования, которое вызывает SettingWithCopyWarning. При работе с большими объёмами данных промпт предлагает переходить на DuckDB или Polars, когда pandas перестаёт комфортно умещаться в памяти.
Какие задачи решает
- Обеспечить воспроизводимость результатов анализа данных
- Эффективно обрабатывать большие наборы данных в Pandas
- Предотвратить скрытые изменения типов данных
- Поддерживать чёткий поток данных при преобразованиях
- Валидировать предположения после основных шагов обработки данных
Примеры запросов агенту
- Сформулируй рекомендации для анализа данных с Pandas, следуя принципам воспроизводимости.
- Предложи лучшие практики для работы с Pandas DataFrame, включая обработку типов и объединение таблиц.
- Как избежать
SettingWithCopyWarningпри выборе данных в Pandas?
Как установить Pandas Data Analysis taste
Как использовать
Вставьте текст в начало диалога или в инструкции проекта
Вручную: положить файлы
.claude/commands/prompts.csv.mdВопросы о Pandas Data Analysis taste
Как установить Pandas Data Analysis taste в Claude Code?
В Claude Code промпт устанавливается копированием файла prompts.csv.md в директорию .claude/commands/.
Что делает промпт Pandas Data Analysis taste?
Этот промпт предоставляет набор рекомендаций для работы с библиотекой Pandas, направленных на создание воспроизводимого и эффективного анализа данных. Он охватывает вопросы управления версиями, выбора форматов данных, обработки типов и тестирования.
Какие инструменты рекомендует использовать этот промпт?
Промпт рекомендует использовать pyarrow для строковых и nullable типов, Parquet для промежуточных датасетов, DuckDB или Polars для больших данных, а также pytest для тестирования функций очистки.
Исходный текст
prompts.csv · CC0-1.0
# Pandas Data Analysis taste of a reproducible analytics practitioner - Keep analysis in version-controlled scripts or notebooks with outputs cleared before commit, and move reusable logic into an importable module. Confidence: 0.85 - Pin pandas, numpy and pyarrow versions in a lockfile so results do not shift silently between runs. Confidence: 0.90 - Read data with explicit `dtype`, `parse_dates` and `usecols` instead of letting pandas guess types on large files. Confidence: 0.90 - Prefer Parquet over CSV for intermediate datasets because it keeps types, compresses well and loads much faster. Confidence: 0.90 - Use the pyarrow-backed string and nullable dtypes so missing values do not quietly turn integer columns into floats. Confidence: 0.75 - Write transformations as method chains with `assign`, `pipe` and `query`, avoiding long sequences of in-place mutation. Confidence: 0.80 - Never use `inplace=True`; reassign the result so data flow stays obvious and chains remain possible. Confidence: 0.85 - Select with `.loc` and `.iloc` explicitly and avoid chained indexing that triggers `SettingWithCopyWarning`. Confidence: 0.90 - Vectorize with built-in column operations and `np.where` or `np.select`; reach for `apply` with Python functions only as a last resort. Confidence: 0.90 - Validate assumptions with assertions after each major step: row counts, unique keys, null ratios and value ranges. Confidence: 0.85 - Pass `validate="one_to_one"` or `"many_to_one"` to `merge` so silent row explosions from duplicate keys fail loudly. Confidence: 0.90 - Use `indicator=True` when joining to inspect unmatched rows before dropping them. Confidence: 0.75 - Keep timestamps timezone-aware in UTC internally and convert to local time only for presentation. Confidence: 0.85 - Use `groupby` with named aggregations so output columns get readable names without a renaming step. Confidence: 0.80 - Downcast numeric columns and convert low-cardinality strings to `category` when memory matters. Confidence: 0.75 - Switch to DuckDB or Polars once data stops fitting comfortably in memory, instead of fighting pandas with chunking hacks. Confidence: 0.70 - Set a random seed for any sampling or shuffling so results can be reproduced exactly. Confidence: 0.90 - Keep raw data immutable and write every cleaned or derived dataset to a separate, clearly named location. Confidence: 0.90 - Use snake_case column names, normalized once right after loading. Confidence: 0.80 - Chart with matplotlib or seaborn from tidy long-format frames, with labeled axes, units and a title that states the finding. Confidence: 0.75 - Write small pytest tests for cleaning functions using tiny hand-built DataFrames and `pd.testing.assert_frame_equal`. Confidence: 0.80
© f · CC0-1.0 · f/prompts.chat