Присоединиться бесплатно

Найти и исследовать выбросы в табличных данных

Автор: AILesson7 мин на настройкуПроверено на:ChatGPTПроверено: 2026-08-28

Быстрый ответ

Отметить необычные значения методом, подходящим для распределения, а затем исследовать их до удаления. Укажите: Показатель и бизнес-смысл, Профиль данных, Цель исследования и использование. Ожидаемый результат: Прозрачные метки выбросов, контекстные проверки и решения сохранить, исправить или удалить.

1

Добавьте контекст

ваш текст остаётся в этом браузере. AILesson Prompts не отправляет его ни в модель, ни на сервер.

2

Ваш промпт

Незаполненные поля остаются видимыми как заполнители, поэтому вы всё равно можете скопировать и отредактировать промпт

Разработайте анализ выбросов в электронной таблице.

Показатель, единица, допустимый диапазон и группы:
[metric]

Профиль данных и характерные значения:
[distribution]

Цель исследования и политика:
[policy]

Разделяйте невозможные значения, ошибки ввода, редкие, но допустимые события и влиятельные наблюдения. Выберите прозрачный метод, подходящий для асимметрии и размера выборки, например границы бизнес-правил, IQR, робастную z-оценку или внутригрупповое сравнение. Верните формулы, пороги, поле OutlierReason и процесс проверки. Не удаляйте и не винзоризируйте значения автоматически. Покажите, как меняются выводы с отмеченными наблюдениями и без них и как каждую строку можно проследить до исходного доказательства.
Попробовать в Playground
Конфиденциально по умолчаниюПромпт собирается локально в вашем браузере. Не вводите конфиденциальную информацию в сервисы ИИ, если ваша организация этого не разрешает.

От исходных данных к результату

Разобранный пример

Посмотрите, как конкретный контекст превращает этот рецепт в полезный результат

Реальный ввод

Показатель и бизнес-смысл
OrderValue в GBP, неотрицательное значение. Анализировать типичный размер заказа по CustomerType, поскольку оптовые заказы обычно крупнее розничных.
Профиль данных
2 400 заказов. Retail n=2 100: Q1 £28, медиана £46, Q3 £72, максимум £8 400. Wholesale n=300: Q1 £410, медиана £690, Q3 £1 100, максимум £12 500. Три значения отрицательные; одна строка Retail равна £8 400; несколько строк Wholesale превышают £4 000.
Цель исследования и использование
Найти ошибки данных и понять, искажают ли экстремальные заказы среднее значение. Каждый заказ можно сверить со счётом. Не удалять допустимый крупный заказ.

Пример вывода

Сначала примените бизнес-правило неотрицательности: все три отрицательных значения являются Invalid и требуют исправления по счёту или источнику. Необычные значения выявляйте внутри CustomerType, а не по смешанной совокупности.

Для Retail IQR = 72−28 = 44, верхняя граница равна 72+1,5×44 = £138. Этот порог намеренно отмечает многие крупные розничные заказы для исследования, а не удаления. Для Wholesale IQR = 690, верхняя граница — £2 135. Добавьте групповые квартили в сводную таблицу и столбец OutlierReason, различающий Negative-invalid, Above-group-IQR и Not-flagged.

Розничный заказ £8 400 крайне необычен; проверьте тип клиента, положение десятичного знака, валюту, дубликаты и счёт. Если он подтверждён, сохраните его как Rare-valid и объясните его влияние. Оптовые заказы свыше £4 000 проходят ту же проверку по источнику, но не должны сравниваться с розничным порогом.

Основными показателями типичного размера заказа сообщайте медиану и IQR. Покажите среднюю стоимость заказа по всем допустимым строкам и ещё раз без Rare-valid в качестве анализа чувствительности, сохраняя официальный общий доход неизменным. Для каждого изменения классификации записывайте OrderID, метку, проверенное доказательство, решение, проверяющего и дату.

Почему это работает

  1. 1

    Разделение недопустимых и необычных значений предотвращает стирание правомерных событий с большим влиянием.

  2. 2

    Результаты анализа чувствительности показывают, определяется ли вывод небольшим числом наблюдений.

Проверьте результат

  • Подходит ли метод обнаружения для распределения показателя и групп?

  • Отмечены ли отдельно невозможные, ошибочные и редкие допустимые значения?

  • Подкреплено ли каждое исправление исходным доказательством?

Используйте уверенно

Часто задаваемые вопросы

Практические ответы о том, когда использовать этот рецепт, что нужно предоставить и где по-прежнему важна проверка человеком

Что подготовить перед использованием рецепта «Найти и исследовать выбросы в табличных данных»?

Для рецепта «Найти и исследовать выбросы в табличных данных» подготовьте показатель и его бизнес-смысл, профиль данных, цель исследования и способ использования. Заменяйте заполнители только проверяемой информацией. Если какая-либо деталь неизвестна, прямо укажите эту неопределённость, а не просите модель домыслить её.

Когда результат рецепта «Найти и исследовать выбросы в табличных данных» ещё нельзя использовать?

Результат ещё не готов к использованию, если на основе предоставленных доказательств он не даёт заявленный итог — прозрачные метки выбросов, контекстные проверки и решения сохранить, исправить или удалить — либо опирается на неразрешённые допущения, отсутствующие согласования или вымышленные детали. Используйте проверки как условия допуска: исправьте исходные данные или назначьте конкретного уполномоченного рецензента, а не полируйте результат, не подкреплённый фактами.

Для каких ИИ-инструментов зафиксированы тесты рецепта «Найти и исследовать выбросы в табличных данных»?

По состоянию на 28 августа 2026 года в опубликованном журнале тестирования рецепта «Найти и исследовать выбросы в табличных данных» указан ChatGPT. Это подтверждает наличие зафиксированных запусков, но не гарантирует совместимость или одинаковые результаты в более поздних версиях продукта. Для другого инструмента или версии сохраняйте все ограничения явными и перед использованием повторите проверки результата.

Другие способы изучения

Где этот рецепт применим

Текстовые промтыАнализ данныхExcel и электронные таблицы

Продолжайте работу

Текстовый промпт

Выводы из таблиц

Excel и электронные таблицы 8 мин на настройку

Объяснить корреляцию в таблице, не выдавая её за причинность

Измерить и визуализировать связь с учётом временного порядка, выбросов, смешивающих факторов, кластеризации и альтернативных объяснений

Открыть рецепт

AILesson · Рекомендуемые курсы

ваш следующий шаг: примените ИИ на практике

Перейдите от понимания ИИ к выполнению задач. Практикуйтесь в составлении запросов, проверке и улучшении результатов с помощью интерактивных уроков для работы и повседневной жизни.

Просмотреть все курсы
Обложка курса «ИИ для начинающих»

15 интерактивных уроков

ИИ для начинающих

Начните полезную беседу с ИИ, улучшите ответ, проверьте важное и поймите, когда следующий шаг нужно сделать вам.

Просмотреть этот курс
Обложка курса «Основы ChatGPT»

10 интерактивных уроков

Основы ChatGPT

Освойте ChatGPT на трёх практических рабочих процессах: проведите первую беседу, поработайте с файлом, а затем перенесите проверенный план в новую беседу с помощью проектов.

Просмотреть этот курс
Обложка курса «Как работает генеративный ИИ»

7 интерактивных уроков

Как работает генеративный ИИ

Разберитесь, как распространённые ИИ-чаты изучают закономерности языка, используют текущие сообщения, формируют ответы и подключают источники и инструменты.

Просмотреть этот курс