DeepSeek 不直接清洗数据，需用户提供带字段名、样例、脏数据特征及输出要求的提示词，才能生成可靠清洗代码或调用API处理；关键在输入质量而非模型本身。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
DeepSeek 本身不直接执行清洗操作，也不能自动读取你本地的爬虫输出文件。它能做的，是基于你提供的原始数据样本 + 明确描述，生成可运行的清洗代码，或通过其 API 接口接收结构化数据并按规则处理。关键不在“用 DeepSeek 清洗”，而在于“怎么喂给它、让它产出真正能用的结果”。
给 DeepSeek 提示词时必须包含这三类信息
如果你只写“帮我清洗一下数据”，DeepSeek 会凭空猜测列含义、异常模式和业务逻辑，结果大概率不可用。真正有效的提示词必须含：
-
真实字段名与前几行样例：比如
["title", "price", "publish_date"]，以及["iPhone 15 Pro", "¥8,999.00", "2023-09-22"]、["MacBook Air M2", "NULL", "2023/03/10"] -
明确的脏数据特征：如
price列含千分位逗号、货币符号、大小写混用的NULL或空格填充；publish_date存在"2023-09-22"、"Sep 22, 2023"、"2023年9月22日"多种格式 -
预期输出要求：例如“日期统一转为
%Y-%m-%d字符串，价格转为float类型，缺失值设为None，导出为cleaned.csv”
用 pandas 脚本清洗时，这些细节容易被忽略
DeepSeek 生成的 Python 脚本通常依赖 pandas，但实际运行时常见失败点不在逻辑，而在底层读取和类型推断：
-
pd.read_csv()默认会把含"NULL"的列识别为object，但后续.astype(float)会报错——得先用na_values=["NULL", "N/A", ""]参数显式声明缺失标识 -
pd.to_datetime()遇到混合格式会 fallback 到object类型，必须加infer_datetime_format=False和errors="coerce"，再配合.dt.strftime("%Y-%m-%d")安全转换 - 金额字段若含
"¥1,200.50"，正则re.sub(r"[^0-9.-]", "", x)比简单.strip("¥$")更稳，避免误删负号或小数点
调用 deepseek_api.clean_data() 前要校验输入结构
这个 API 不接受文件路径，只收 list[dict]，且字段名必须与规则字典键完全一致。传入前务必确认：
- 原始数据已用
json.loads()或pd.read_json().to_dict('records')转成标准字典列表，不是嵌套 JSON 或 DataFrame 对象 - 规则字典中的键（如
"price"）必须与每条记录的 key 完全匹配，包括大小写和下划线——"Price"或"price_usd"都会导致该字段跳过清洗 -
fill_na若设为0.0，可能掩盖真实缺失；建议先试None，再根据下游系统要求调整
真正卡住人的往往不是模型能力，而是你传给它的第一段样本是否包含足够多的“现实噪声”。一次有效清洗，70% 功夫花在观察原始数据上，30% 才是让 DeepSeek 写代码。别急着复制粘贴生成结果，先打开 CSV 看满屏的 "—"、"暂无"、" " 是什么编码、在哪一列。
