К основному содержанию
промпт GP ChatGPT

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 GitHub

Что 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 SettingWithCopyWarning при выборе данных в Pandas?

Как установить Pandas Data Analysis taste

Как использовать

Вставьте текст в начало диалога или в инструкции проекта

Вопросы 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

Похожие промпты

Все промпты по теме «Данные и базы» →
Pandas Data Analysis pluginagentmarketplace Скилл Pandas Data Analysis для Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI и OpenCode — учит агента работать с Pandas, NumPy и Matplotlib. Покрывает загрузку данных, очистку, агрегацию и построение графиков. CX Codex +1 1 100установок pandas-construction-analysis datadrivenconstruction Скилл pandas-construction-analysis для работы с данными строительных проектов через Pandas. Фильтрует элементы BIM, считает объёмы, объединяет датасеты и выводит отчёты — всё на Python. Нужен Python 3 в системе. CX Codex +1 153установок analytics-data-analysis Mindrally Скилл analytics-data-analysis для Claude Code задаёт правила анализа данных на Python с pandas, matplotlib, seaborn и Jupyter. Включается при разведочном анализе, очистке датасетов и построении статистических графиков. CX Codex +1 1 200установок Exploratory Data Analysis aj-geddes Скилл Exploratory Data Analysis для первичного разбора датасета: профилирование, распределения, корреляции и поиск выбросов на Python. Пригодится в начале проекта, до построения модели. CX Codex +1 522установок dataverse-python-pandas-integration официальный github Правило dataverse-python-pandas-integration для GitHub Copilot связывает SDK Dataverse для Python с датафреймами pandas. CX Codex +1 ★ 41 430звёзд репо pandas-pro https://github.com/Jeffallan Скилл pandas-pro для Claude Code и пяти других платформ: очищает данные, агрегирует, объединяет таблицы и работает с временными рядами — без ошибок индексирования и циклов по строкам. CX Codex +1 6 300установок

Из того же набора218

Весь набор →
Vite Frontend Tooling taste Промпт Vite Frontend Tooling taste для ChatGPT задаёт правила настройки фронтенд-проектов на Vite. Он охватывает запуск приложений, проверки типов, тесты и подготовку сборки к релизу. GP ChatGPT ★ 178 201звёзд репо Linux Server Hardening taste Промпт Linux Server Hardening taste для ChatGPT задаёт инженерные правила ужесточения безопасности Linux-серверов. Включается при подготовке серверных образов, настройке SSH и написании сценариев автоматизации. GP ChatGPT ★ 178 201звёзд репо Database Schema Design taste Промпт Database Schema Design taste для ChatGPT задаёт правила проектирования реляционной схемы базы данных. Он охватывает ключи, ограничения, индексы и хранение данных. GP ChatGPT ★ 178 201звёзд репо Solidity Smart Contract taste Промпт Solidity Smart Contract taste для ChatGPT, Claude.ai и Claude Code задаёт стандарты безопасности при написании и аудите смарт-контрактов на Solidity. GP ChatGPT ★ 178 201звёзд репо Kafka Streaming taste Промпт Kafka Streaming taste задаёт правила проектирования и архитектуры потоков данных в Kafka для ChatGPT, Claude.ai и Claude Code. GP ChatGPT ★ 178 201звёзд репо Helm Chart taste Промпт Helm Chart taste для ChatGPT задаёт критерии проектирования Helm-чартов. Он помогает проверить шаблоны, настройки безопасности и тесты перед выпуском чарта. GP ChatGPT ★ 178 201звёзд репо Prisma ORM taste Промпт Prisma ORM taste для ChatGPT и Claude Code задаёт строгие инженерные правила работы с Prisma ORM. Фиксирует архитектуру схемы, миграций и запросов к базе данных. GP ChatGPT ★ 178 201звёзд репо GitHub Actions taste Промпт GitHub Actions taste для ChatGPT задаёт правила проектирования CI на GitHub Actions. Он помогает настроить проверки, публикацию релизов и безопасные деплои. GP ChatGPT ★ 178 201звёзд репо

Спонсоры проекта

Компании, которые помогают держать аналитику открытой