# 工具C - AI Copilot Few-shot示例库

> **文档版本**: V1.0  
> **创建日期**: 2025-12-06  
> **用途**: System Prompt中的Few-shot示例  
> **覆盖场景**: 从基础清洗到高级插补，10个核心场景

---

## 📋 示例总览

| 编号 | 场景名称 | 级别 | 技术要点 | 医疗价值 |
|------|---------|------|---------|---------|
| 1 | 统一缺失值标记 | Level 1 | replace | 数据标准化 ⭐⭐⭐ |
| 2 | 数值列清洗 | Level 1 | 正则+类型转换 | 检验值处理 ⭐⭐⭐⭐ |
| 3 | 分类变量编码 | Level 2 | map | 统计建模 ⭐⭐⭐⭐⭐ |
| 4 | 连续变量分箱 | Level 2 | cut | 分层分析 ⭐⭐⭐⭐ |
| 5 | BMI计算与分类 | Level 3 | 公式+条件 | 临床指标 ⭐⭐⭐⭐⭐ |
| 6 | 日期计算 | Level 3 | datetime | 时间间隔 ⭐⭐⭐⭐⭐ |
| 7 | 条件筛选 | Level 3 | 多条件过滤 | 入组标准 ⭐⭐⭐⭐⭐ |
| 8 | 简单缺失值填补 | Level 4 | fillna | 缺失处理 ⭐⭐⭐⭐ |
| 9 | 多重插补(MICE) | Level 4 | IterativeImputer | 高级填补 ⭐⭐⭐⭐⭐ |
| 10 | 智能去重 | Level 4 | sort+drop_duplicates | 数据质量 ⭐⭐⭐⭐ |

---

## 🎯 Level 1: 基础数据清洗（2个）

### 示例1: 统一缺失值标记

**用户指令**:
```
把所有代表缺失的符号（-、不详、NA、N/A）统一替换为标准空值
```

**AI生成代码**:
```python
# 统一缺失值标记
df = df.replace(['-', '不详', 'NA', 'N/A', '\\', '未查'], np.nan)
```

**代码说明**:
- 医疗数据常见多种缺失值表示方式
- 统一为标准NaN便于后续统计分析
- 适用场景: 数据清洗第一步

**预期结果**:
- 所有非标准缺失值标记被统一为NaN
- 后续可使用isnull()等方法统一处理

---

### 示例2: 数值列清洗

**用户指令**:
```
把肌酐列里的非数字符号去掉，<0.1按0.05处理，转为数值类型
```

**AI生成代码**:
```python
# 处理数值列的符号
df['creatinine'] = df['creatinine'].astype(str).str.replace('>', '').str.replace('<', '')
df.loc[df['creatinine'] == '0.1', 'creatinine'] = '0.05'
df['creatinine'] = pd.to_numeric(df['creatinine'], errors='coerce')
```

**代码说明**:
- 检验科导出数据常含符号（>、<、+等）
- 需清理后才能进行数值计算和统计分析
- errors='coerce'将无法转换的值设为NaN

**预期结果**:
- 肌酐列变为纯数值类型
- 符号被正确处理
- 异常值转为NaN

**医疗场景**:
- 检验报告：肌酐、白细胞、血红蛋白等
- 常见符号：>100、<0.1、12.5+

---

## 🔧 Level 2: 变量编码与计算（2个）

### 示例3: 分类变量编码

**用户指令**:
```
把性别列转为数字，男=1，女=0
```

**AI生成代码**:
```python
# 性别编码
df['gender_code'] = df['gender'].map({'男': 1, '女': 0})
```

**代码说明**:
- 将文本分类变量转为数值
- 便于Logistic回归、神经网络等建模
- map方法简洁高效

**预期结果**:
- 新增gender_code列
- 男→1, 女→0
- 原gender列保持不变

**扩展场景**:
- 婚姻状态: 已婚=1, 未婚=0
- 吸烟史: 是=1, 否=0
- 教育程度: 小学=1, 初中=2, 高中=3, 大学=4

---

### 示例4: 连续变量分箱

**用户指令**:
```
把年龄按18岁、60岁分为未成年、成年、老年三组
```

**AI生成代码**:
```python
# 年龄分组
df['age_group'] = pd.cut(df['age'], 
                         bins=[0, 18, 60, 120],
                         labels=['未成年', '成年', '老年'],
                         right=False)
```

**代码说明**:
- 将连续变量离散化为有序分类变量
- bins定义区间边界，labels定义标签
- right=False表示左闭右开区间[0,18)

**预期结果**:
- 新增age_group列
- 0-17岁→未成年
- 18-59岁→成年
- 60+岁→老年

**医疗应用**:
- 分层分析（各年龄段发病率）
- 卡方检验（年龄组vs疾病）
- 描述性统计（基线特征表）

---

## 🏥 Level 3: 医学计算与筛选（3个）

### 示例5: BMI计算与分类

**用户指令**:
```
根据身高(cm)和体重(kg)计算BMI，并标记BMI≥28为肥胖
```

**AI生成代码**:
```python
# 计算BMI
df['BMI'] = df['weight'] / (df['height'] / 100) ** 2

# 肥胖标记
df['obesity'] = df['BMI'].apply(lambda x: '肥胖' if x >= 28 else '正常')
```

**代码说明**:
- BMI公式: 体重(kg) / 身高(m)²
- 中国标准: BMI≥28为肥胀
- 向量化计算，无需循环

**预期结果**:
- 新增BMI列（数值）
- 新增obesity列（分类）

**临床标准**:
- 偏瘦: BMI < 18.5
- 正常: 18.5 ≤ BMI < 24
- 超重: 24 ≤ BMI < 28
- 肥胖: BMI ≥ 28

**扩展场景**:
- 体表面积(BSA): 化疗剂量计算
- eGFR: 肾功能评估
- APACHE评分: 危重症评估

---

### 示例6: 日期计算

**用户指令**:
```
根据入院日期和出院日期计算住院天数
```

**AI生成代码**:
```python
# 计算住院天数
df['admission_date'] = pd.to_datetime(df['admission_date'])
df['discharge_date'] = pd.to_datetime(df['discharge_date'])
df['length_of_stay'] = (df['discharge_date'] - df['admission_date']).dt.days
```

**代码说明**:
- 先将日期列转为datetime类型
- 日期相减得到Timedelta对象
- .dt.days提取天数

**预期结果**:
- 新增length_of_stay列
- 数值类型，单位为天

**医疗应用**:
- 住院天数分析
- 平均住院日(ALOS)统计
- 住院费用相关性分析

**扩展场景**:
- 计算年龄: (今天 - 出生日期) / 365.25
- 随访时间: (随访日期 - 基线日期)
- 生存时间: (死亡/末次随访 - 确诊日期)

---

### 示例7: 条件筛选（入组标准）

**用户指令**:
```
筛选出年龄≥18岁、诊断为糖尿病、且血糖≥7.0的患者
```

**AI生成代码**:
```python
# 多条件筛选
df_selected = df[
    (df['age'] >= 18) & 
    (df['diagnosis'] == '糖尿病') & 
    (df['glucose'] >= 7.0)
]
```

**代码说明**:
- 布尔索引，多条件用&连接
- 每个条件需加括号
- 返回满足所有条件的行

**预期结果**:
- 新DataFrame，包含符合条件的病例
- 原df不变

**临床研究应用**:
- 纳入标准筛选
- 排除标准剔除
- 亚组分析（如老年糖尿病患者）

**扩展场景**:
```python
# 纳入标准
included = df[
    (df['age'] >= 18) & 
    (df['age'] <= 75) &
    (df['diagnosis'].isin(['肺腺癌', '肺鳞癌'])) &
    (df['stage'].isin(['III', 'IV']))
]

# 排除标准
excluded = df[
    (df['pregnancy'] == 1) |  # 妊娠
    (df['severe_liver'] == 1) |  # 严重肝病
    (df['other_cancer'] == 1)  # 其他肿瘤
]
```

---

## 🔬 Level 4: 高级数据治理（3个）

### 示例8: 简单缺失值填补

**用户指令**:
```
用中位数填补BMI列的缺失值
```

**AI生成代码**:
```python
# 用中位数填补缺失值
bmi_median = df['BMI'].median()
df['BMI'] = df['BMI'].fillna(bmi_median)
```

**代码说明**:
- median()计算中位数（排除NaN）
- fillna()填补缺失值
- 中位数受离群值影响小

**预期结果**:
- BMI列无缺失值
- 缺失位置被中位数替代

**填补方法选择**:
| 方法 | 适用场景 | 优点 | 缺点 |
|------|---------|------|------|
| 均值 | 正态分布 | 简单 | 受离群值影响 |
| 中位数 | 偏态分布 | 稳健 | 信息损失 |
| 众数 | 分类变量 | 保留分布 | 可能不合理 |
| 前向填充 | 时间序列 | 保留趋势 | 仅适用时序 |

**注意事项**:
- ⚠️ 仅适用于缺失率<5%
- ⚠️ 假设缺失为MCAR（完全随机缺失）
- ⚠️ 可能低估标准差

---

### 示例9: 多重插补（MICE）⭐ 核心场景

**用户指令**:
```
使用多重插补法对BMI、年龄、肌酐列的缺失值进行填补
```

**AI生成代码**:
```python
from sklearn.experimental import enable_iterative_imputer
from sklearn.impute import IterativeImputer

# 选择需要插补的数值列
cols = ['BMI', 'age', 'creatinine']

# 多重插补
imputer = IterativeImputer(max_iter=10, random_state=0)
df[cols] = imputer.fit_transform(df[cols])
```

**代码说明**:
- MICE (Multivariate Imputation by Chained Equations)
- 利用变量间相关性预测缺失值
- max_iter=10: 最多迭代10次
- random_state=0: 可复现结果

**算法原理**:
1. 初始填补（如均值）
2. 循环迭代：
   - 对每个有缺失的变量，用其他变量预测
   - 更新填补值
3. 收敛后停止

**适用场景**:
- ✅ 缺失率5%-30%
- ✅ 缺失机制为MAR（随机缺失）
- ✅ 变量间存在相关性
- ✅ 需要保持数据分布特征

**优势**:
- 利用变量间关系
- 保持数据分布
- 减少偏差
- 统计学上更合理

**vs 简单填补**:
| 指标 | 简单填补 | 多重插补 |
|------|---------|---------|
| 复杂度 | 低 | 中等 |
| 计算时间 | 快 | 较慢 |
| 偏差 | 可能较大 | 较小 |
| 标准误 | 低估 | 准确 |
| 分布保持 | 差 | 好 |

**注意事项**:
- 仅适用于数值变量
- 分类变量需先编码
- 如有时间变量需先转换

---

### 示例10: 智能去重

**用户指令**:
```
按患者ID去重，保留检查日期最新的记录
```

**AI生成代码**:
```python
# 智能去重：先按日期排序，再按ID去重保留最后一条
df['check_date'] = pd.to_datetime(df['check_date'])
df = df.sort_values('check_date').drop_duplicates(subset=['patient_id'], keep='last')
```

**代码说明**:
- sort_values()先按日期升序排列
- drop_duplicates()按patient_id去重
- keep='last'保留最后一条（即最新日期）

**预期结果**:
- 每个患者只保留一条记录
- 保留的是检查日期最新的那条

**扩展场景**:

**场景1: 保留数据最完整的记录**
```python
# 计算每行的完整度
df['completeness'] = df.notna().sum(axis=1)
df = df.sort_values('completeness', ascending=False).drop_duplicates(subset=['patient_id'], keep='first')
```

**场景2: 多字段组合去重**
```python
# 按患者ID+就诊日期去重
df = df.drop_duplicates(subset=['patient_id', 'visit_date'], keep='first')
```

**场景3: 复杂逻辑去重**
```python
# 优先级：日期最新 > 完整度最高
df = df.sort_values(['check_date', 'completeness'], ascending=[False, False]).drop_duplicates(subset=['patient_id'], keep='first')
```

**医疗场景**:
- 删除重复录入的病例
- 多次就诊取首次/末次
- 检验结果去重（取最新）

---

## 📚 使用说明

### System Prompt集成方式

```python
system_prompt = f"""
你是医疗科研数据清洗专家，负责生成Pandas代码来清洗整理数据。

## 当前数据集信息
- 文件名: {session.fileName}
- 行数: {session.totalRows}
- 列数: {session.totalCols}
- 列名: {', '.join(session.columns)}

## 安全规则（强制）
1. 只能操作df变量
2. 禁止导入os、sys等危险模块
3. 禁止使用eval、exec等危险函数
4. 必须进行异常处理
5. 返回格式: {{"code": "...", "explanation": "..."}}

## Few-shot示例

### 示例1: 统一缺失值标记
用户: 把所有代表缺失的符号统一替换为标准空值
代码:
```python
df = df.replace(['-', '不详', 'NA', 'N/A'], np.nan)
```

### 示例2: 数值列清洗
用户: 把肌酐列里的非数字符号去掉，转为数值类型
代码:
```python
df['creatinine'] = df['creatinine'].astype(str).str.replace('>', '').str.replace('<', '')
df['creatinine'] = pd.to_numeric(df['creatinine'], errors='coerce')
```

[... 其他8个示例 ...]

## 用户当前请求
{user_message}

请生成代码并解释。
"""
```

---

## 🎯 质量标准

每个示例必须满足：
- ✅ 代码可直接运行
- ✅ 有详细注释
- ✅ 有明确的输入输出
- ✅ 符合Python最佳实践
- ✅ 考虑异常情况
- ✅ 有医疗场景说明

---

## 📊 测试用例设计

基于这10个示例，Day 3测试应包含：

**基础测试（4个）**:
1. 示例1测试（缺失值统一）
2. 示例2测试（数值清洗）
3. 示例3测试（性别编码）
4. 示例4测试（年龄分组）

**中级测试（3个）**:
5. 示例5测试（BMI计算）
6. 示例6测试（住院天数）
7. 示例7测试（条件筛选）

**高级测试（3个）**:
8. 示例8测试（中位数填补）
9. 示例9测试（多重插补）⭐
10. 示例10测试（智能去重）

**扩展测试（5个）**:
11. 混合场景测试（先清洗再计算）
12. 错误场景测试（列不存在）
13. 边界场景测试（全部缺失）
14. 自我修正测试（代码报错后重试）
15. 端到端测试（上传→AI处理→结果验证）

---

## 🔄 维护记录

| 日期 | 版本 | 修改内容 | 修改人 |
|------|------|---------|--------|
| 2025-12-06 | V1.0 | 初始创建，10个核心示例 | AI Assistant |

---

**文档状态**: ✅ 已确认  
**下一步**: 开始Day 3开发（AICodeService实现）