让ChatGPT帮我写Python脚本,这配合太舒服了

上周五下午5点，老板突然要一份跨部门的销售数据交叉分析报告，周一早上就要。要是以前，我肯定要加班到深夜。但这次，我用了ChatGPT，晚上7点就完成了报告，还顺便优化了三个自动化脚本。

这不是什么魔法，而是找到了和AI协作的正确姿势。今天，我就来分享如何让ChatGPT成为你的Python开发最佳搭档，而不是简单的代码生成器。

往期阅读>>>

Python 20 个文本分析的库：效率提升 10 倍的秘密武器

Python 金融定价利器FinancePy库深度解析

Python 为什么会成为AI时代的头部语言

Python 40个常用的列表推导式

Python 50个提高代码开发效率的方法

Python 自动检测服务HTTPS证书过期时间并发送预警

Python 自动化操作Redis的15个实用脚本

Python 自动化管理Jenkins的15个实用脚本，提升效率

Python copyparty搭建轻量的文件服务器的方法

Python 实现2FA认证的方法，提升安全性

Python 封装20个常用API接口，提升开发效率

App2Docker：如何无需编写Dockerfile也可以创建容器镜像

Python 集成 Nacos 配置中心的方法

Python 35个JSON数据处理方法

Python 字典与列表的20个核心技巧

Python 15个文本分析的库，提升效率

Python 15个Pandas技巧，提升数据分析效率

Python 运维中30个常用的库，提升效率

Python调用远程接口的方法

Python 提取HTML文本的方法，提升效率

Python 应用容器化方法：实现“一次部署，处处运行”

Python 自动化识别Nginx配置并导出为excel文件，提升Nginx管理效率

Python 5个常见的异步任务处理框架

Python数据科学常见的30个库

Python 50个实用代码片段，优雅高效

场景一：从需求到代码，10分钟搞定数据清洗脚本

我的需求： 把市场部、销售部、财务部的Excel数据合并，清洗掉重复项和异常值，生成统一格式的分析报告。

传统方式：

1. 查pandas文档（30分钟）

2. 写代码调试（2小时）

3. 处理各种异常情况（1小时）

4. 总耗时：3.5小时+

ChatGPT协作方式：

第一步：明确需求（对话式）

我：我需要合并三个Excel文件，它们结构不同：1. 市场部：文件名 marketing.xlsx，工作表名"市场数据"，有"日期"、"渠道"、"花费"列2. 销售部：文件名 sales.xlsx，工作表名"销售记录"，有"销售日期"、"产品"、"销售额"列  3. 财务部：文件名 finance.xlsx，工作表"财务明细"，有"date"、"item"、"amount"列要求：1. 统一列名为：date, channel/product, amount2. 删除amount为负数或大于100万的异常值3. 按日期排序，保存到 merged_data.xlsx4. 生成简单的统计报告：总金额、日均金额、最大最小值

第二步：ChatGPT生成代码骨架

importpandasaspdimportosfromdatetimeimportdatetimedefmerge_and_clean_excel_files():"""    合并和清洗三个部门的Excel数据    返回:        pandas.DataFrame: 清洗后的合并数据        dict: 统计报告    """# 读取三个文件try:marketing_df = pd.read_excel('marketing.xlsx', sheet_name='市场数据')sales_df = pd.read_excel('sales.xlsx', sheet_name='销售记录')finance_df = pd.read_excel('finance.xlsx', sheet_name='财务明细')exceptFileNotFoundErrorase:print(f"文件不存在: {e}")returnNone, None# 重命名列以统一格式marketing_df = marketing_df.rename(columns={'日期': 'date','渠道': 'item','花费': 'amount'    })sales_df = sales_df.rename(columns={'销售日期': 'date', '产品': 'item','销售额': 'amount'    })finance_df = finance_df.rename(columns={'date': 'date','item': 'item','amount': 'amount'    })# 合并数据combined_df = pd.concat([marketing_df, sales_df, finance_df], ignore_index=True)# 清洗数据# 1. 删除amount异常值（负数或大于100万）cleaned_df = combined_df[        (combined_df['amount'] >0) &        (combined_df['amount'] <= 1000000)    ].copy()# 2. 确保date是日期类型cleaned_df['date'] = pd.to_datetime(cleaned_df['date'], errors='coerce')# 3. 删除日期无效的行cleaned_df = cleaned_df.dropna(subset=['date'])# 4. 按日期排序cleaned_df = cleaned_df.sort_values('date').reset_index(drop=True)# 生成统计报告report = {'total_amount': cleaned_df['amount'].sum(),'average_daily': cleaned_df.groupby('date')['amount'].sum().mean(),'max_amount': cleaned_df['amount'].max(),'min_amount': cleaned_df['amount'].min(),'row_count': len(cleaned_df),'data_range': {'start': cleaned_df['date'].min().strftime('%Y-%m-%d'),'end': cleaned_df['date'].max().strftime('%Y-%m-%d')        }    }# 保存到Excelcleaned_df.to_excel('merged_data.xlsx', index=False)# 同时保存报告report_df = pd.DataFrame([report])report_df.to_excel('statistics_report.xlsx', index=False)returncleaned_df, reportif__name__ == "__main__":data, report = merge_and_clean_excel_files()ifdataisnotNone:print("数据处理完成！")print(f"处理了 {len(data)} 行数据")print(f"总金额: {report['total_amount']:,.2f}")print(f"数据时间范围: {report['data_range']['start']} 到 {report['data_range']['end']}")

第三步：我优化和增强（关键步骤）

# 我添加的部分：错误处理、日志记录、进度显示importloggingfromtqdmimporttqdmfrompathlibimportPath# 设置日志logging.basicConfig(level=logging.INFO,format='%(asctime)s - %(levelname)s - %(message)s',handlers=[logging.FileHandler('data_merge.log'),logging.StreamHandler()    ])defenhanced_merge():"""增强版的数据合并函数"""logger = logging.getLogger(__name__)# 检查文件是否存在required_files = ['marketing.xlsx', 'sales.xlsx', 'finance.xlsx']missing_files = [fforfinrequired_filesifnotPath(f).exists()]ifmissing_files:logger.error(f"缺少文件: {missing_files}")returnNone, Nonelogger.info("开始合并三个部门的Excel数据...")try:# 使用tqdm显示进度withtqdm(total=100, desc="处理进度") aspbar:data, report = merge_and_clean_excel_files()pbar.update(100)ifdataisnotNone:logger.info(f"成功处理 {len(data)} 行数据")logger.info(f"总金额: {report['total_amount']:,.2f}")# 额外分析：按部门统计# 我手动添加的部门识别逻辑data['department'] = data['item'].apply(identify_department)dept_stats = data.groupby('department')['amount'].agg(['sum', 'mean', 'count'])dept_stats.to_excel('department_stats.xlsx')logger.info("部门统计已生成")returndata, reportexceptExceptionase:logger.exception(f"数据处理失败: {e}")returnNone, Nonedefidentify_department(item):"""根据item内容识别部门（这是我根据业务知识添加的）"""item_str = str(item).lower()ifany(channelinitem_strforchannelin ['微信', '微博', '抖音', '广告']):return'市场部'elifany(productinitem_strforproductin ['产品a', '产品b', '产品c']):return'销售部'elifany(financeinitem_strforfinancein ['办公', '差旅', '采购']):return'财务部'else:return'其他'

第四步：测试和微调

我：生成的代码有个问题，finance.xlsx的date列格式不一致，有的"2023-01-01"，有的"2023/01/01"，怎么处理？ChatGPT：可以这样修改日期转换部分：# 修改日期处理逻辑def parse_date(date_val):    try:        # 尝试多种格式        for fmt in ['%Y-%m-%d', '%Y/%m/%d', '%Y年%m月%d日', '%d/%m/%Y']:            try:                return pd.to_datetime(date_val, format=fmt)            except:                continue        return pd.NaT    except:        return pd.NaTcleaned_df['date'] = cleaned_df['date'].apply(parse_date)

最终效果：

• ChatGPT生成时间：2分钟

• 我优化时间：8分钟

• 总耗时：10分钟

• 代码质量：生产可用，有完整错误处理

场景二：调试复杂bug，AI帮我快速定位问题

上周遇到一个诡异的问题：脚本在测试环境正常，生产环境随机失败。

传统调试：

1. 加print语句（1小时）

2. 查日志（30分钟）

3. 复现问题（不确定）

4. 总耗时：无法估计

ChatGPT协作调试：

第一步：提供错误信息和代码片段

我：我的Python脚本在生产环境随机出现这个错误：Traceback (most recent call last):  File "data_processor.py", line 147, in process_batch    result = complex_calculation(data_chunk)  File "data_processor.py", line 89, in complex_calculation    return sum(x * y for x, y in zip(values_x, values_y)) / len(values_x)ZeroDivisionError: division by zero但values_x应该永远不会为空。代码片段：def process_batch(batch_data):    for chunk in batch_data:        if should_process(chunk):  # 这里可能过滤掉所有数据            results = complex_calculation(chunk)            save_results(results)def complex_calculation(data):    values_x = extract_x(data)  # 可能返回空列表    values_y = extract_y(data)    if not values_x or not values_y:  # 我漏掉了这个检查！        return 0    # 计算逻辑...

第二步：ChatGPT分析并提供解决方案

ChatGPT：问题可能出现在几个地方：1. extract_x()或extract_y()可能返回空列表2. should_process()可能过滤了所有数据，导致chunk为空3. 生产环境的数据可能与测试环境不同建议的修复：def complex_calculation(data):    values_x = extract_x(data)    values_y = extract_y(data)    # 添加防御性检查    if not values_x or not values_y:        logger.warning(f"空数据: values_x={len(values_x)}, values_y={len(values_y)}")        return 0  # 或抛出明确异常    # 确保长度一致    min_len = min(len(values_x), len(values_y))    values_x = values_x[:min_len]    values_y = values_y[:min_len]    if min_len == 0:        return 0    try:        result = sum(x * y for x, y in zip(values_x, values_y)) / min_len        return result    except ZeroDivisionError:        logger.error("计算出现除零错误，返回0")        return 0同时改进should_process函数：def should_process(chunk):    if not chunk:        return False    # 添加更多检查...

第三步：我实施并添加监控

# 我根据ChatGPT建议修改，并添加了详细监控classDataProcessor:def__init__(self):self.stats = {'total_chunks': 0,'empty_chunks': 0,'calculation_errors': 0,'successful_calculations': 0        }defprocess_batch(self, batch_data):"""处理数据批次，带有完整监控"""self.stats['total_chunks'] += len(batch_data)fori, chunkinenumerate(batch_data):chunk_id = f"chunk_{i}"ifnotself.should_process(chunk):self.stats['empty_chunks'] += 1logger.debug(f"跳过 {chunk_id}: 数据为空")continuetry:result = self.complex_calculation(chunk, chunk_id)ifresultisnotNone:self.save_results(result)self.stats['successful_calculations'] += 1exceptExceptionase:self.stats['calculation_errors'] += 1logger.error(f"处理 {chunk_id} 失败: {e}")# 记录失败的数据片段以便分析self.log_failed_chunk(chunk_id, chunk, str(e))self.report_stats()defcomplex_calculation(self, data, chunk_id=""):"""增强版的计算函数"""values_x = extract_x(data)values_y = extract_y(data)logger.debug(f"{chunk_id}: values_x={len(values_x)}, values_y={len(values_y)}")# 详细的检查逻辑ifnotvalues_x:logger.warning(f"{chunk_id}: values_x为空")returnNoneifnotvalues_y:logger.warning(f"{chunk_id}: values_y为空")returnNone# 长度对齐min_len = min(len(values_x), len(values_y))ifmin_len == 0:logger.warning(f"{chunk_id}: 对齐后长度为0")returnNonevalues_x = values_x[:min_len]values_y = values_y[:min_len]try:# 计算，添加更多检查ifany(y == 0foryinvalues_y):logger.warning(f"{chunk_id}: 存在0值，可能影响计算")result = sum(x*yforx, yinzip(values_x, values_y)) /min_len# 结果验证ifnotmath.isfinite(result):logger.error(f"{chunk_id}: 计算结果无效: {result}")returnNonereturnresultexceptZeroDivisionErrorase:logger.error(f"{chunk_id}: 除零错误，min_len={min_len}")returnNoneexceptExceptionase:logger.error(f"{chunk_id}: 计算错误: {e}")returnNone

调试效果：

• 定位问题时间：从不确定 → 15分钟

• 修复质量：不仅修复了bug，还预防了类似问题

• 监控能力：添加了完整的运行监控

场景三：学习新技术，让AI当我的私人导师

最近需要学习FastAPI，传统方式要看文档、看教程、写demo，至少一天。用ChatGPT，2小时就能上手。

学习路径：

第一步：基础知识问答

我：我想用FastAPI创建一个用户管理系统，需要哪些基本组件？ChatGPT：一个基本的FastAPI用户管理系统需要：1. 数据模型（Pydantic）2. 数据库模型（SQLAlchemy或Tortoise-ORM）3. 路由（API端点）4. 认证和授权（JWT或OAuth2）5. 错误处理6. 中间件（可选）我给你一个最小可工作示例：

第二步：生成学习代码

fromfastapiimportFastAPI, HTTPException, DependsfrompydanticimportBaseModelfromtypingimportList, Optionalimportuuidfromdatetimeimportdatetimeapp = FastAPI(title="用户管理系统")# 数据模型classUserBase(BaseModel):username: stremail: strfull_name: Optional[str] = NoneclassUserCreate(UserBase):password: strclassUser(UserBase):id: strcreated_at: datetimeclassConfig:orm_mode = True# 内存存储（实际项目用数据库）users_db = {}# API端点@app.get("/")defread_root():return {"message": "用户管理系统 API"}@app.post("/users/", response_model=User)defcreate_user(user: UserCreate):"""创建新用户"""user_id = str(uuid.uuid4())# 检查用户名是否已存在forexisting_userinusers_db.values():ifexisting_user["username"] == user.username:raiseHTTPException(status_code=400, detail="用户名已存在")db_user = {"id": user_id,"username": user.username,"email": user.email,"full_name": user.full_name,"created_at": datetime.now()    }users_db[user_id] = db_userreturndb_user@app.get("/users/", response_model=List[User])defread_users(skip: int = 0, limit: int = 100):"""获取用户列表"""returnlist(users_db.values())[skip:skip+limit]@app.get("/users/{user_id}", response_model=User)defread_user(user_id: str):"""获取单个用户"""ifuser_idnotinusers_db:raiseHTTPException(status_code=404, detail="用户不存在")returnusers_db[user_id]@app.put("/users/{user_id}", response_model=User)defupdate_user(user_id: str, user_update: UserBase):"""更新用户"""ifuser_idnotinusers_db:raiseHTTPException(status_code=404, detail="用户不存在")# 检查用户名冲突（排除自己）foruid, existing_userinusers_db.items():ifuid!= user_idandexisting_user["username"] == user_update.username:raiseHTTPException(status_code=400, detail="用户名已存在")users_db[user_id].update(user_update.dict(exclude_unset=True))returnusers_db[user_id]@app.delete("/users/{user_id}")defdelete_user(user_id: str):"""删除用户"""ifuser_idnotinusers_db:raiseHTTPException(status_code=404, detail="用户不存在")delusers_db[user_id]return {"message": "用户删除成功"}# 运行：uvicorn main:app --reload

第三步：我追问和深化

我：这个例子很好，但实际项目还需要：1. 数据库连接（用SQLAlchemy）2. 密码哈希（不能存明文）3. JWT认证4. 单元测试5. 分页和过滤能帮我逐步实现这些吗？ChatGPT：当然，我们一步步来。首先添加数据库支持...

第四步：实际项目应用基于ChatGPT的指导，我快速搭建了项目骨架：

my_user_system/├── app/│   ├── __init__.py│   ├── main.py          # FastAPI应用│   ├── database.py      # 数据库连接│   ├── models.py        # 数据模型│   ├── schemas.py       # Pydantic模型│   ├── crud.py          # 数据库操作│   ├── auth.py          # 认证逻辑│   └── dependencies.py  # 依赖注入├── tests/               # 单元测试├── requirements.txt└── README.md

学习效果：

• 学习时间：2小时 vs 1天

• 理解深度：通过问答深入理解原理

• 实践能力：立即能写实际代码

场景四：代码重构，AI帮我优化架构

有一个祖传的500行脚本，结构混乱，难以维护。

ChatGPT协助重构：

第一步：分析现有代码

我：我有一个数据处理脚本，主要问题：1. 一个函数做了太多事情（200行）2. 全局变量多3. 错误处理混乱4. 没有类型提示你能帮我分析如何重构吗？ChatGPT：请提供代码结构，我帮你分析。

第二步：提供重构建议

# ChatGPT的分析和建议：原始问题：1.process_data()函数太长（责任过多）2.使用全局变量config、logger、db_connection3.错误处理混在业务逻辑中4.没有类型提示，难以理解数据结构重构建议：# 1. 将大函数拆分为小函数（单一职责）原始：defprocess_data(input_file, output_file):重构：-defload_config() ->Config-defsetup_logging(config: Config) ->Logger-defcreate_db_connection(config: Config) ->Connection-defread_input_data(file_path: str) ->DataFrame-defvalidate_data(data: DataFrame) ->bool-deftransform_data(data: DataFrame) ->DataFrame-defsave_results(data: DataFrame, output_path: str)# 2. 使用类组织相关功能classDataProcessor:def__init__(self, config_path: str):self.config = self.load_config(config_path)self.logger = self.setup_logging()self.db_conn = self.create_connection()defprocess(self, input_file: str, output_file: str):"""主处理流程"""data = self.read_data(input_file)ifself.validate_data(data):transformed = self.transform_data(data)self.save_data(transformed, output_file)self.logger.info("处理完成")else:self.logger.error("数据验证失败")# 3. 添加类型提示fromtypingimportOptional, Dict, AnyfrompandasimportDataFrameimportpandasaspd# 4. 统一错误处理classDataProcessingError(Exception):passdefsafe_process():try:processor = DataProcessor("config.yaml")processor.process("input.csv", "output.csv")exceptDataProcessingErrorase:logger.error(f"数据处理失败: {e}")# 清理资源exceptExceptionase:logger.exception(f"未预期的错误: {e}")raise

第三步：逐步重构我按照建议，分步骤重构：

# 第一步：定义数据类fromdataclassesimportdataclassfromtypingimportOptional, Dict, Anyfromdatetimeimportdatetime@dataclassclassProcessingConfig:input_encoding: str = "utf-8"output_format: str = "csv"chunk_size: int = 1000log_level: str = "INFO"@dataclassclassProcessingResult:success: boolinput_rows: intoutput_rows: interrors: List[str]start_time: datetimeend_time: datetimeduration_seconds: float# 第二步：创建处理器类classDataProcessor:def__init__(self, config: ProcessingConfig):self.config = configself.logger = self._setup_logger()self._reset_state()def_reset_state(self):"""重置处理状态"""self.current_file = Noneself.processed_rows = 0self.errors = []defprocess_file(self, input_path: str, output_path: str) ->ProcessingResult:"""处理单个文件"""start_time = datetime.now()try:self._reset_state()self.current_file = input_pathself.logger.info(f"开始处理文件: {input_path}")# 读取数据data = self._read_input(input_path)input_rows = len(data)# 验证数据ifnotself._validate_data(data):raiseDataValidationError("数据验证失败")# 转换数据transformed = self._transform_data(data)# 保存结果self._save_output(transformed, output_path)output_rows = len(transformed)# 记录成功self.processed_rows = output_rowsself.logger.info(f"处理完成: {input_rows} -> {output_rows} 行")returnProcessingResult(success=True,input_rows=input_rows,output_rows=output_rows,errors=self.errors,start_time=start_time,end_time=datetime.now(),duration_seconds=(datetime.now() -start_time).total_seconds()            )exceptExceptionase:self.logger.error(f"处理失败: {e}")returnProcessingResult(success=False,input_rows=0,output_rows=0,errors=[str(e)] +self.errors,start_time=start_time,end_time=datetime.now(),duration_seconds=(datetime.now() -start_time).total_seconds()            )def_read_input(self, file_path: str) ->pd.DataFrame:"""读取输入文件"""# 实现...passdef_validate_data(self, data: pd.DataFrame) ->bool:"""验证数据"""# 实现...passdef_transform_data(self, data: pd.DataFrame) ->pd.DataFrame:"""转换数据"""# 实现...passdef_save_output(self, data: pd.DataFrame, output_path: str):"""保存输出"""# 实现...pass# 第三步：使用工厂模式创建处理器classProcessorFactory:@staticmethoddefcreate_processor(config_path: Optional[str] = None) ->DataProcessor:"""创建数据处理器"""ifconfig_path:config = ProcessorFactory._load_config(config_path)else:config = ProcessingConfig()  # 默认配置returnDataProcessor(config)@staticmethoddef_load_config(config_path: str) ->ProcessingConfig:"""加载配置文件"""# 实现...pass

重构效果：

• 代码行数：500行 → 300行（更清晰）

• 可维护性：大幅提升

• 可测试性：每个函数都可单独测试

• 错误处理：统一且完整

和ChatGPT协作的最佳实践

经过实践，我总结了和ChatGPT协作写Python代码的最佳实践：

1. 明确需求，分步骤进行

不好的提问：帮我写个数据处理脚本好的提问：我需要一个Python脚本，实现以下功能：1. 从API获取JSON数据2. 解析并转换为DataFrame3. 过滤掉异常值（数值大于3倍标准差）4. 保存为CSV文件5. 添加错误处理和日志记录

2. 提供上下文和约束

提供：- 输入数据格式示例- 期望的输出格式- 性能要求（如处理100万行数据）- 环境约束（Python版本、可用库）- 已有的代码片段（如果需要集成）

3. 迭代改进，不要一次求全

第一轮：生成核心功能代码第二轮：添加错误处理第三轮：优化性能第四轮：添加文档和测试

4. 理解而非复制

• 阅读ChatGPT生成的代码，理解其思路

• 问“为什么这样写”而不仅仅是“怎么写”

• 修改和优化生成的代码，加入自己的思考

5. 验证和测试

# 对ChatGPT生成的代码，一定要测试deftest_chatgpt_code():# 1. 单元测试assertfunction_works_correctly()# 2. 边界测试test_edge_cases()# 3. 性能测试ifis_too_slow():ask_chatgpt_to_optimize()# 4. 安全测试check_for_security_issues()

6. 保持批判性思维

• ChatGPT可能生成过时的代码（如用Python 2语法）

• 可能推荐不安全的实践

• 可能不理解你的具体业务逻辑

• 你才是最终的责任人

ChatGPT的局限性（要知道什么时候不用它）

虽然ChatGPT很强大，但有些情况不适合：

1. 安全性要求高的代码

• 加密算法实现

• 认证授权逻辑

• 支付处理代码

2. 性能关键代码

• 高频交易系统

• 实时数据处理

• 算法核心优化

3. 复杂的业务逻辑

• 领域特定的复杂规则

• 公司内部业务逻辑

• 需要深度领域知识的代码

4. 学习初期的基础代码

• Python基础语法练习

• 算法和数据结构实现

• 面向对象设计练习

刚开始用ChatGPT写代码时，我也有顾虑：会不会让我变懒？会不会降低代码质量？会不会失去思考能力？

几个月用下来，我发现正好相反：ChatGPT不是替代我思考，而是放大我的思考能力。

就像有了计算器，我们并没有忘记算术，而是能处理更复杂的数学问题。有了ChatGPT，我并没有停止思考，而是能思考更复杂的编程问题。

如果你觉得这篇文章有用，欢迎点赞、转发、收藏、留言、推荐❤！