数据分析师的 AI Coding 指南
机制专题
如果你要把数据分析角色中的规则文件、能力编排和入口选择拆开看，继续进入这些子页：
想直接复制更稳的分析结构，再回头读原理：去 数据分析训练包模板。
典型 AI Coding 场景
1. 数据清洗与预处理
- 生成数据清洗脚本
- 处理缺失值和异常值
- 数据格式转换
- 相关工具：Claude Code 快速开始
2. SQL 查询优化
- 生成复杂 SQL 查询
- 优化查询性能
- 编写数据验证脚本
- 相关工具：Gemini CLI 快速开始
3. 数据可视化
- 生成图表代码（matplotlib/plotly）
- 创建交互式 dashboard
- 生成数据报告
- 相关教程：Terminal-First Repo Pairing
4. 数据分析脚本
- 生成统计分析代码
- 编写数据探索脚本
- 自动化数据处理流程
- 相关案例：Gemini CLI Terminal Audit to Draft PR
5. 报表自动化
- 生成定期报表脚本
- 自动化数据导出
- 生成数据质量报告
- 相关教程：工作流目录
推荐工具与工作流
主入口选择
- 终端入口：Claude Code 或 Gemini CLI
- IDE-first：Cursor
推荐工作流
- Terminal-First Repo Pairing - 终端数据分析
- Bugfix / Refactor / Test - 脚本优化
- Workflow Playbook - 按任务找流程
默认训练包
| 当前阶段 | 建议先复制什么 | 目的 |
|---|---|---|
| 分析刚启动 | 分析 Brief 模板 | 先把问题、口径和输出要求锁住 |
| 还没写脚本 | 数据质量检查模板 | 先把质量风险和限制条件写清 |
| 进入脚本 / notebook 阶段 | 命令与复现模板 | 保证查询、脚本和导出可复现 |
| 要交结果 | 报告 Handoff 模板 | 把结论、图表和限制条件一起交付 |
想直接看一份填好的成品：去 示例：次周留存分析训练包。
可复用资产
规则文件模板
## Data Analysis Rules
- Document all data transformations
- Validate data quality before analysis
- Use version control for analysis scripts
- Write reproducible analysis code
- Document data sources and assumptions
- Include data quality checks in pipelines
Prompt 模板
数据清洗 Prompt：
生成数据清洗脚本：
- 数据源：[CSV/JSON/数据库]
- 数据问题：[缺失值/重复值/异常值]
- 清洗规则：[处理策略]
- 输出格式：[目标格式]
- 验证规则：[数据质量检查]
SQL 查询生成 Prompt：
生成 SQL 查询：
- 数据表：[表名和字段]
- 查询需求：[业务需求描述]
- 聚合维度：[分组字段]
- 过滤条件：[WHERE 条件]
- 性能要求：[优化建议]
数据可视化 Prompt：
生成数据可视化代码：
- 图表类型：[折线图/柱状图/散点图]
- 数据源：[数据格式]
- X轴/Y轴：[字段定义]
- 样式要求：[颜色、标题、图例]
- 交互功能：[tooltip/zoom/filter]
验证脚本
# 数据分析验证脚本
python -m pytest tests/
python scripts/data_quality_check.py
python scripts/validate_output.py
跨团队交付物
给产品经理
- 数据分析报告
- 用户行为洞察
- 业务指标dashboard
- 数据驱动建议
给开发工程师
- 数据接口需求
- 数据埋点需求
- 数据格式规范
- 数据质量要求
给运营团队
- 运营数据报表
- 用户画像分析
- 转化漏斗分析
- A/B 测试结果
给管理层
- 业务指标报告
- 趋势分析
- 预测模型结果
- 决策支持数据