Prompt数据分析模板
Prompt 模板库：数据分析篇
·约 7 分钟阅读
数据分析是 Claude 最擅长的领域之一。无论你是用 Excel、SQL 还是 Python，Claude 都能帮你更快地处理和分析数据。本文提供 10 个数据分析场景的 Prompt 模板，让你的数据工作效率翻倍。
你将学到什么
- 10 个数据分析场景的 Prompt 模板
- 从 Excel 公式到 Python 可视化的全覆盖
- 如何让 Claude 理解你的数据结构
使用前提示
在使用数据分析模板时，关键是让 Claude 了解你的数据结构。最好的方式是：
- 粘贴数据的前几行作为示例
- 说明列名和含义
- 告诉 Claude 你用的工具（Excel、SQL、Python 等）
模板 1：Excel 公式生成
场景： 不记得复杂的 Excel 公式怎么写。
Prompt：
我在 Excel 中有以下数据结构：
- A 列：日期
- B 列：产品名称
- C 列：销售额
- D 列：成本
请帮我写以下公式：
[描述你需要计算的内容]
要求：
- 给出完整的公式
- 解释公式中每部分的作用
- 如果有更简单的替代公式，也一并告知
常见需求示例：
- 「按月汇总每个产品的销售额」→ SUMIFS
- 「找出销售额排名前 10 的产品」→ LARGE + INDEX/MATCH
- 「计算环比增长率，处理除零错误」→ IFERROR + 百分比计算
- 「跨工作表汇总数据」→ INDIRECT + SUMPRODUCT
模板 2：SQL 查询编写
场景： 需要从数据库中查询数据。
Prompt：
数据库表结构如下：
用户表 users：
- id, name, email, created_at, city
订单表 orders：
- id, user_id, amount, status, created_at
商品表 products：
- id, name, category, price
请编写 SQL 查询：
[描述你要查的内容]
数据库类型：[MySQL/PostgreSQL/SQLite]
常见需求示例：
- 「查询最近 30 天每天的订单数和总金额」
- 「找出消费金额前 100 的用户及其购买的商品类别」
- 「统计每个城市的用户注册数和平均订单金额」
- 「查找连续 7 天都有下单的活跃用户」
模板 3：数据清洗建议
场景： 拿到一份脏数据，需要清洗方案。
Prompt：
我有一份数据需要清洗。以下是前 5 行示例：
[粘贴你的数据前几行]
我发现的问题：
[列出你发现的数据质量问题，如有]
请帮我：
1. 识别数据中存在的所有质量问题
2. 针对每个问题给出清洗方案
3. 用 [Python pandas / Excel / SQL] 编写清洗代码
4. 建议清洗后的数据验证方��
模板 4：图表类型推荐
场景： 有数据不知道用什么图表展示。
Prompt：
我有以下数据需要可视化：
数据描述：[数据是什么]
数据维度：[有哪些字段]
展示目的：[想表达什么观点]
受众：[谁会看这个图表]
请推荐：
1. 最适合的图表类型（附理由）
2. 备选的图表类型（不同侧重）
3. 图表的关键设计建议（颜色、标注、布局）
4. 如果用 Python 实现，给出 matplotlib 或 plotly 代码
模板 5：统计方法选择
场景： 需要做统计分析但不确定用什么方法。
Prompt：
我的分析场景：
数据描述：[什么数据]
分析目的：[想证明或发现什么]
样本量：[大约有多少数据]
变量类型：[连续/分类/时间序列]
请帮我：
1. 推荐合适的统计分析方法
2. 解释为什么选这个方法（用通俗语言）
3. 需要检查哪些前提条件
4. 用 Python 写出分析代码
5. 如何解读结果
模板 6：A/B 测试分析
场景： A/B 测试结束，需要分析结果。
Prompt：
我们做了一个 A/B 测试，数据如下：
对照组（A）：
- 样本量：[N]
- 转化率：[X%]（或其他指标）
实验组（B）：
- 样本量：[N]
- 转化率：[Y%]
请分析：
1. 结果是否具有统计显著性（95% 置信度）
2. 效果量（提升了多少）
3. 置信区间
4. 是否建议全量发布
5. 如果结果不显著，还需要多大的样本量
请用 Python 代码给出完整的计算过程。
模板 7：用户画像分析
场景： 根据数据描绘用户画像。
Prompt：
以下是我们的用户数据特征（汇总统计）：
[粘贴用户数据的概要，如年龄分布、地域分布、
消费频次、活跃时间等]
请帮我：
1. 划分 3-5 个用户群体（Persona）
2. 为每个群体起一个易记的名称
3. 描述每个群体的特征、需求和痛点
4. 针对每个群体给出运营策略建议
5. 建议关注的核心指标
模板 8：趋势预测
场景： 基于历史数据预测未来趋势。
Prompt：
以下是我们过去 12 个月的 [指标名称] 数据：
[按月列出数据]
请分析：
1. 整体趋势（上升/下降/波动）
2. 是否存在季节性规律
3. 有没有异常的波动点及可能原因
4. 用适合的方法预测未来 3 个月的数据
5. 给出预测的置信区间
如果合适，请用 Python 代码实现预测。
模板 9：异常值检测
场景： 数据中可能有异常值需要识别。
Prompt：
以下是一组 [数据描述] 的数据：
[粘贴数据或描述数据特征]
请帮我：
1. 使用合适的方法检测异常值
（如 IQR、Z-score、孤立森林等）
2. 列出检测到的异常值
3. 分析这些异常值可能的原因
4. 建议如何处理（删除/修正/保留）
5. 用 Python 代码实现检测过程
模板 10：数据可视化代码
场景： 需要快速生成数据可视化代码。
Prompt：
请帮我用 Python 生成以下图表：
数据：
[粘贴数据或描述数据来源]
图表要求：
- 图表类型：[柱状图/折线图/散点图/饼图/热力图/箱线图]
- 标题：[图表标题]
- 特殊要求：[如双 Y 轴、堆叠、分组、动态交互]
请使用 [matplotlib / seaborn / plotly] 库，
代码包含中文字体设置和完整的标注。
Tip: 如果你常用某个数据分析工具（Pandas、R、SPSS），可以在模板中固定指定，省去每次说明的麻烦。
实战练习
Tip: 用你工作中的真实数据来练习效果最好。
- 用模板 2 让 Claude 帮你写一条你正在纠结的 SQL 查询
- 把你手头的一份 Excel 数据粘贴给 Claude，让它推荐可视化方案
- 用模板 6 分析一次你们做过的 A/B 测试数据
关键要点
Note: 本文核心总结
- 数据分析模板的关键：让 Claude 理解你的数据结构
- 从 Excel 到 Python，10 个模板覆盖日常分析需求
- 提供数据示例比纯文字描述更有效
- 迭代优化：根据输出调整模板