整理脏数据并生成可用数据集

当 CSV 或 spreadsheet 里混着不同日期格式、货币字符串、重复行、空值、别名和复制进去的汇总行时，不要直接覆盖原文件。把文件拖进 Codex，描述你已经看到的问题，让它写一个清洗后的副本，并附一份 data-quality note。

官方页面：https://developers.openai.com/codex/use-cases/clean-messy-data

Clean messy data

清洗 CSV 或 spreadsheet，同时保留原始文件。

Analyze data

在清洗之后继续生成分析和图表。

File inputs

了解把文件作为上下文输入的官方能力。

适合什么任务

场景	Codex 应该做什么
CSV 或 spreadsheet export 里日期格式混乱	统一日期格式，保留不能确定的行说明
currency values 里有 `$`、逗号和空白 cell	清理数字格式，但保持 blank currency cells 为空
多次导出造成 duplicate customer rows	去重，并尽量保留 source row IDs
region、category 使用多个 aliases	归一化别名，记录改动规则
表里混入 pasted summary rows	移除汇总行，并在质量说明中列出

使用的能力

能力	用法	链接
`$spreadsheet`	检查 tabular files、清洗 columns、产出可 review 的文件和说明	https://developers.openai.com/codex/skills

起始提示词

请清洗 @marketplace-risk-rollout-export.csv。

已知问题：
- 日期混用了 MM/DD/YYYY 和 YYYY-MM-DD
- currency values 里包含 $、逗号和空白 cells
- 重复导出导致少量 duplicate customer rows
- region 和 category names 使用了多种 aliases
- 数据里混入了 pasted summary rows

我需要：
- 输出一份 cleaned CSV
- 保持原始文件不变
- 统一使用一种日期格式
- blank currency cells 继续保持空白
- 尽可能保留 source row IDs
- 添加一份简短 data-quality note，列出被修改、移除，或无法有把握清洗的 rows

这个 prompt 的关键是先写明“哪里脏”，再写明“要什么结果”。不要只说“清洗一下这个表”。

产出物约定

清洗任务最好让 Codex 同时产出三样东西：

产出	用途
`original`	原始文件，绝不覆盖
`cleaned`	清洗后的 CSV 或 spreadsheet
`data-quality note`	记录规则、删除行、可疑行和无法确认的问题

data-quality note 不需要很长，但必须能回答：

哪些字段被标准化。
哪些行被删除或合并。
哪些值保持空白。
哪些行 Codex 没有把握自动修。
行数和关键字段分布是否发生变化。

如果下游是 CRM、财务、投放后台或数据仓库，这份 note 比“清洗成功”更重要。它能让人审查清洗逻辑，而不是盲信输出文件。

操作步骤

把文件拖进 Codex，或在 prompt 里用 @customer-export.csv mention 文件。
写出你已经观察到的问题，例如 mixed dates、duplicates、aliases、summary rows。
说明需要的输出形式：cleaned CSV、clean spreadsheet tab，或 upload-ready file。
明确要求保留 original file unchanged。
要求 Codex 输出 data-quality note，列出 changed、removed、uncertain rows。
打开 cleaned copy 和 data-quality note，人工 review 后再用于下游流程。

验收重点

清洗任务的好坏不只看文件能否打开，还要看这些边界：

原始文件没有被覆盖。
清洗后的文件字段数和行数变化有解释。
日期、货币、类别等规则一致。
空值没有被随意填成 0 或未知字符串。
无法 confident clean 的行被标出来。
去重逻辑能追溯 source row IDs。

如果清洗结果要进入 CRM、财务、投放后台或数据仓库，先抽样核对几行，再上传。

进阶提示词

请清洗 @export.csv，但不要覆盖原文件。

请先检查：
- header 是否唯一
- 日期格式有哪些
- currency / percentage / integer 字段是否混入符号
- 是否有重复行、空行、summary row
- category / region / status 是否有 aliases

请输出：
- cleaned CSV
- data-quality note
- 一段 row count summary

限制：
- 不要猜测无法确认的值
- 空白金额继续保持空白
- 删除或合并行时保留 source row IDs
- 如果规则会影响超过 5% 的行，先在 note 里突出说明

什么时候要停下来

这些情况不应该让 Codex 直接产出最终上传文件：

字段含义不清，比如 status、type、stage 没有业务字典。
多个系统导出的同名字段含义不同。
金额、税率、退款、佣金这类字段可能影响财务结果。
去重规则会合并客户、订单或付款记录。
清洗后行数变化很大，但原因不明确。

这时先让 Codex 做 profiling report，再由人确认规则。数据清洗的风险通常不在格式，而在“看似合理的错误归一化”。