已按企业规范生成带日志与异常处理的clean_user_data函数：含重复删除、邮箱正则校验、age截断；入口/出口日志记录；TypeError/KeyError捕获并重抛；头部含UTF-8编码与版权声明；预留future_http_call函数桩（timeout=(3,7)）；通过pylint检查；附最小可运行测试用例。
☞☞☞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☜☜☜
你需要用文心快码企业版生成一段符合公司代码规范、带日志记录和异常捕获的Python数据清洗脚本，但每次单轮提问只能得到零散片段，无法直接交付使用——必须靠多轮精准追问让AI逐步补全结构、注入规范、校验逻辑。
第一步：明确角色与上下文
打开文心快码企业版Web控制台，进入「智能编码」工作区。点击右下角「新建对话」，在首条消息中直接输入：【你是一名资深Python后端工程师，熟悉我司《Python开发规范v3.2》（含logging配置、PEP8缩进、requests超时强制设定、禁止print语句）】。这一步不可跳过，否则后续所有生成将默认通用风格，不继承企业约束。
等待模型返回确认语句（如“已加载贵司Python规范v3.2”），再发送第二条指令。
第二步：分层定义功能骨架
不要一次性描述完整需求。按模块分三轮发送，每轮只聚焦一个层次：
立即学习“Python免费学习笔记（深入）”；
第一轮输入：“请生成一个函数，名为clean_user_data，接收一个pandas.DataFrame参数raw_df，返回清洗后的DataFrame。要求：1）删除重复行；2）剔除email列为空或格式非法的行（用正则^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$校验）；3）对age列做上下限截断（0–120）。不写docstring，不加示例调用。”
第二轮输入：“在此函数基础上，增加日志记录：在函数入口处用logging.info记录‘开始清洗用户数据，共{len(raw_df)}行’；清洗完成后用logging.info记录‘清洗完成，剩余{len(result_df)}行’。日志需使用标准logging.getLogger(__name__)获取logger实例。”
第三轮输入：“补充异常处理：若传入非DataFrame类型，抛出TypeError并记录logging.error；若email列不存在，抛出KeyError并记录logging.warning；所有异常捕获后必须re-raise。”
第三步：强制注入企业特有约束
当模型返回完整代码后，立即追加一条指令：“检查以下企业硬性要求并修正：1）所有logging必须使用INFO/WARNING/ERROR三级，禁用DEBUG；2）requests相关操作必须设置timeout=(3, 7)，本脚本虽未用requests，但需预留future_http_call函数桩，含该timeout参数；3）文件头部添加# -*- coding: utf-8 -*- 和版权注释‘# Copyright © 2026 XXX Corp. All rights reserved.’。”
模型会定位缺失项并插入对应代码块。若它漏掉timeout参数或版权行，就单独指出：“第X行缺少timeout=(3, 7)，补上”或“头部缺版权行，按模板补”。
第四步：触发静态检查与可运行验证
发送最终指令：“执行pylint检查，规则启用：missing-docstring、invalid-name、too-many-arguments、line-too-long（max=120）、bad-continuation。仅输出不符合项及修复建议，不要重写整段代码。”
根据反馈，针对性修正。例如若提示“line-too-long at line 12”，就将长条件拆成两行并用反斜杠续行；若提示“invalid-name for variable ‘df’”，就改为user_df。
最后发送：“生成一个最小可运行测试用例，调用clean_user_data，输入含重复、非法邮箱、超龄age的数据，验证是否抛出对应异常且日志输出正确。”
