Veri Analizi ve SQL Oluşturma için Pratik Prompt Kütüphanesi

Bu yazı, veri analizi görevlerini hızlandırmak ve SQL ile pandas kodu üretimini kolaylaştırmak için tasarlanmış pratik prompt şablonları içerir. Hem doğal dil kullanan analistler hem de kod üreten akışlara prompt eklemek isteyen geliştiriciler için adım adım örnekler, doğrulama ipuçları ve kullanışlı kontroller sunuyoruz. Aşağıdaki örnekler ve tavsiyeler, araç seçimi ve hazır şablonlar hakkında faydalı bilgiler veren kaynaklardan derlenmiştir: Unite.AI'de yayımlanan araç derlemesi ve PromptOlustur.com'un veri analizi için sunduğu hazır prompt setleri özellikle yol göstericidir.

Kaynak örnekleri: Unite.AI - Veri Analistleri İçin Yapay Zeka Araçları ve PromptOlustur.com - Veri Analizi İçin 12 Hazır Prompt. Bu kaynaklar, yapay zekânın veri iş akışlarına nasıl entegre edilebileceğine dair uygulamalı örnekler sunar.

Neden bir prompt kütüphanesi oluşturmalısınız?

Standartlaştırılmış promptlar tekrarlayan işleri hızlandırır, beklenen çıktı biçimlerini sabitleyerek otomasyonu kolaylaştırır ve ekipler arasında paylaşılarak öğrenmeyi hızlandırır. Ayrıca açıkça belirtilmiş format ve örneklerle model çıktılarının doğrulanması daha pratiktir.

Hızlı Referans: Kategori ve Örnek Promptlar

Aşağıda veri analizi sürecinin sık görülen adımlarına göre ayrılmış kısa ve doğrudan prompt şablonları bulacaksınız. Her prompt, modelden beklenen çıktıyı ve gerekli bağlamı (tablo adı, sütun listesi, örnek satır) eklemenizi varsayar.

1) Veri Keşfi (Exploratory)

• Açıklama: Veri kümesinin özetini, veri tiplerini ve olası anormallikleri hızlıca çıkartmak için.

  SEN: Veri bilimi uzmanısın. Veri çerçevesi adı: df. Sütunlar ve ilk 5 satırı: [örnek satırları ekleyin]. Lütfen kısa bir özet, sütun türlerinde önerilen düzeltmeler ve potansiyel eksik/veri sapmalarını (outlier) belirt. Çıktıyı madde madde ver.

• Beklenen çıktı: Kolon listesi, eksik oranı, önerilen dönüşümler.

2) Veri Temizleme (Pandas için)

• Açıklama: Eksik değer doldurma, tarih dönüşümleri ve tip düzeltmeleri için doğrudan çalışan pandas kodu talep edin.

  SEN: Pandas uzmanısın. df adlı DataFrame var. Yapılmasını istediğim: 1) 'signup_date' sütununu datetime yap; 2) 'email' sütunundaki boşları işaretle; 3) duplicate satırları drop et; 4) 'price' sütunundaki aykırı değerleri IQR yöntemine göre işaretle. Lütfen yalnızca çalıştırılabilir pandas kodu döndür.

• İpucu: Örnek 5-10 satır veri ekleyin; model gerekirse bunları kullanarak daha doğru kod üretir.

3) SQL Sorgusu Üretme (Doğal Dilden SQL'e)

• Açıklama: Kullanıcının doğal dil sorusunu, belirli SQL diyalektine göre çevirin.

  SEN: SQL geliştiricisisin. Hedef diyalekt: PostgreSQL. Tablo: orders(order_id, customer_id, order_date, total_amount). Kullanıcı sorusu: "Son 6 ay için aylık toplam satışları ve işlem sayılarını ver." Lütfen yalnızca SQL sorgusunu ve kısa bir açıklamayı döndür.

• JOIN / GROUP BY örneği:

  SEN: PostgreSQL için sorgu üret. Tablolar: customers(id, name, signup_date) ve orders(order_id, customer_id, order_date, total_amount). Amaç: müşteri başına toplam harcamayı, son bir yıldaki aktif müşterileri filtreleyerek listele. Sadece SQL döndür.

4) Kompleks Dönüşümler ve Kod Üretimi

Veri dönüşümleri için promptlarda açıkça "adım adım" veya "sadece kod" belirtin. Modelin hangi çıktı formatını üretmesi gerektiğini (ör. JSON, SQL, pandas kodu) talimat olarak verin.

Pandası kullanarak pratik prompt örnekleri

Aşağıda doğrudan kullanılabilecek, daha teknik örnekler yer alıyor. Bu tarz promptlar kod üretimini hızlandırır ancak üretilen kodu çalıştırmadan önce mutlaka gözden geçirin.

# Örnek Prompt (Pandas kodu üretmesi için) SEN: Veri temizleme ve tip düzeltme için çalıştırılabilir pandas kodu üret. Girdi: df (önizleme: [örnek satırlar]) İstenen adımlar: tarihleri parse et, 'price' sütununu float yap, eksik 'country' değerlerini 'Unknown' ile doldur, tekrarlı kayıtları kaldır. Lütfen yalnızca Python/pandas kodu ver.

En İyi Uygulamalar (Guidelines)

1. Bağlam verin: Tablo adı, sütun listesi ve birkaç örnek satır sağlayın.
2. Hedef formatı belirtin: "Sadece SQL", "Sadece pandas kodu" veya "JSON formatında özet" gibi.
3. Diyalekt/uçbirim belirtin: SQL için PostgreSQL, MySQL vb. belirtin. Bazı araçlar belirli veritabanı bağlantılarını destekler; örneğin BlazeSQL için çoklu veritabanı desteği rapor edilmiştir (kaynak).
4. Güvenlik ve gizlilik: Hassas verileri (kişisel veri, kredi kartı numarası vb.) doğrudan paylaşmaktan kaçının. Bazı çözümlerde yerel/kurumsal kurulum seçenekleri gizliliği artırabilir; bu konuda kaynaklar yol göstericidir (kaynak).
5. Doğrulama: Üretilen SQL veya kodu test edip sonuçları örnek veriyle doğrulayın; otomatik üretilen sorgular her zaman optimal olmayabilir.

Iteratif İyileştirme ve Test Kontrol Listesi

Her yeni prompt için aşağıdaki adımları takip edin:

• 1) Basit bir örnek veri kümesiyle çalıştırın.
• 2) Üretilen sorguyu inceleyin: eksik JOIN'ler, yanlış GROUP BY, ya da beklenmeyen DISTINCT kullanımı var mı?
• 3) Performans: Büyük tablolar için LIMIT veya tarih aralıkları gibi filtremeler ekleyin.
• 4) Güvenlik: Parametrik sorgu veya safe-escaping önerin; kullanıcı girdilerini doğrudan SQL içinde birleştirmeyin.
• 5) Versiyonlama: Her prompt için versiyon ve kısa açıklama tutun (ne için kullanıldığı, hangi veri örnekleriyle test edildiği gibi).

Kısa Kaynak Rehberi ve Araç Önerileri

BlazeSQL gibi bazı araçlar doğal dil sorgularını SQL'e dönüştürme konusunda popüler örnekler arasındadır ve çok sayıda veritabanını desteklediği rapor edilmiştir. Bu tür araçlar, hem SQL bilgisi sınırlı kullanıcılar için faydalı olabilir hem de tekrarlayan sorgu oluşturma yükünü azaltabilir. Ayrıca, çevrimiçi prompt koleksiyonları (ör. PromptOlustur.com) veri temizleme ve özetleme için hazır şablonlar sunar; bu şablonlar başlangıç olarak kullanılabilir (kaynak).

Sonuç

Bu rehberdeki şablonları kendi veri kaynaklarınıza uyarlayarak bir prompt kütüphanesi oluşturabilirsiniz. Temel prensipler: bağlam verin, hedef çıktı formatını netleştirin, çıktıların doğrulanmasını zorunlu kılın. Kütüphaneyi ekip içinde paylaşıp iteratif olarak geliştirmek en hızlı öğrenme yoludur.

Sıkça Sorulan Sorular

1. Soru: Hazır promptları her veritabanı için aynı şekilde kullanabilir miyim?

   Cevap: Bazı promptlar genel amaçlı olsa da SQL diyalektiği (PostgreSQL, MySQL, BigQuery vb.) farklılıkları etkiler. Bu yüzden promptunuzda hedef diyalektiği belirtmeniz ve üretilecek sorguyu o diyalektin sözdizimine göre kontrol etmeniz önerilir. Araç incelemeleri, birçok çözümün birden fazla veritabanını desteklediğini göstermektedir; örneğin belirli kaynaklar BlazeSQL'in birçok veritabanını desteklediğini bildirir (kaynak).

2. Soru: Üretilen SQL veya kod güvenli midir?

   Cevap: Otomatik üretilen kodlar pratik olsa da her zaman insan gözetimi gerektirir. Parametre enjeksiyonuna karşı dikkatli olun ve kullanıcı girdilerini parametrik sorgularla işleyin. Ayrıca hassas verileri modele göndermeden önce maskeleyin veya özetleyin.

3. Soru: Pandas için alınan kodlar doğrudan çalıştırılabilir mi?

   Cevap: Genelde evet; fakat kolon adları, eksik veri biçimleri veya kullanılan kütüphane sürümleri nedeniyle küçük düzeltmeler gerekebilir. Üretilen kodu küçük veri örnekleri üzerinde test etmeyi unutmayın.

4. Soru: Bu şablonlarla nasıl başlamalıyım?

   Cevap: 1) Mevcut veri kümenizden örnek satırları alın, 2) hedeflerinizi kısa cümlelerle tanımlayın, 3) en basit promptu çalıştırıp sonucu doğrulayın, 4) başarılı olan promptları versiyonlayıp kütüphanenize ekleyin.

5. Soru: Kaynak şablonlar nereden alınabilir?

   Cevap: İnternetteki araç rehberleri ve prompt koleksiyonları başlangıç için uygundur. Örnek referanslar: Unite.AI ve PromptOlustur.com gibi kaynaklardır (Unite.AI, PromptOlustur.com).

Not: Bu rehber örnek promptlar içerir; gerçek veri ve iş kurallarınıza göre uyarlama yapmayı, sonuçları test etmeyi ve kodu üretildikten sonra doğrulamayı unutmayın.